論文の概要: Big Data Analytics for Network Level Short-Term Travel Time Prediction
with Hierarchical LSTM
- arxiv url: http://arxiv.org/abs/2201.05760v3
- Date: Mon, 27 Nov 2023 23:38:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 18:06:10.058329
- Title: Big Data Analytics for Network Level Short-Term Travel Time Prediction
with Hierarchical LSTM
- Title(参考訳): 階層LSTMを用いたネットワークレベルの短期旅行予測のためのビッグデータ分析
- Authors: Tianya T. Zhang
- Abstract要約: 本稿では,Caltrans Performance Measurement System (PeMS) による大規模走行時間データセットを利用する。
大量のデータの課題を克服するために、ビッグデータ分析エンジンのApache SparkとApache MXNetがデータラングリングとモデリングに使用される。
階層型LSTMモデルは、ネットワークレベルの移動時間の空間的時間的相関を捉えるために、異なる時間スケールでの依存関係を考慮できる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The travel time data collected from widespread traffic monitoring sensors
necessitate big data analytic tools for querying, visualization, and
identifying meaningful traffic patterns. This paper utilizes a large-scale
travel time dataset from Caltrans Performance Measurement System (PeMS) system
that is an overflow for traditional data processing and modeling tools. To
overcome the challenges of the massive amount of data, the big data analytic
engines Apache Spark and Apache MXNet are applied for data wrangling and
modeling. Seasonality and autocorrelation were performed to explore and
visualize the trend of time-varying data. Inspired by the success of the
hierarchical architecture for many Artificial Intelligent (AI) tasks, we
consolidate the cell and hidden states passed from low-level to the high-level
LSTM with an attention pooling similar to how the human perception system
operates. The designed hierarchical LSTM model can consider the dependencies at
different time scales to capture the spatial-temporal correlations of
network-level travel time. Another self-attention module is then devised to
connect LSTM extracted features to the fully connected layers, predicting
travel time for all corridors instead of a single link/route. The comparison
results show that the Hierarchical LSTM with Attention (HierLSTMat) model gives
the best prediction results at 30-minute and 45-min horizons and can
successfully forecast unusual congestion. The efficiency gained from big data
analytic tools was evaluated by comparing them with popular data science and
deep learning frameworks.
- Abstract(参考訳): 広範なトラフィック監視センサから収集された旅行時間データは、クエリ、視覚化、意味のあるトラフィックパターンを特定するためのビッグデータ分析ツールを必要とする。
本稿では,従来のデータ処理・モデリングツールのオーバーフローであるcaltrans performance measurement system (pems) システムからの大規模トラベリングタイムデータセットを利用する。
大量のデータの課題を克服するために、ビッグデータ分析エンジンのApache SparkとApache MXNetがデータラングリングとモデリングに使用される。
時系列データの動向を探索し可視化するために季節と自己相関を行った。
人工知能(AI)タスクにおける階層的アーキテクチャの成功に触発されて,低レベルから高レベルLSTMに渡される細胞と隠れた状態を,人間の知覚システムと同じような動作を注目して統合する。
設計した階層型lstmモデルは、ネットワークレベルの移動時間の空間-時間相関を捉えるために、異なる時間スケールでの依存関係を考慮できる。
別の自己注意モジュールはLSTM抽出された特徴を完全に接続された層に接続するように設計され、単一のリンク/ルートの代わりにすべての廊下の移動時間を予測した。
その結果,階層型LSTM(HierLSTMat)モデルでは30分と45分で最高の予測結果が得られ,異常な混雑を予測できた。
ビッグデータ分析ツールから得られる効率は、一般的なデータサイエンスやディープラーニングフレームワークと比較することで評価された。
関連論文リスト
- GATGPT: A Pre-trained Large Language Model with Graph Attention Network
for Spatiotemporal Imputation [19.371155159744934]
実世界の環境では、センサーの故障やデータ転送エラーなどの問題により、そのようなデータには欠落する要素がしばしば含まれる。
時間的計算の目的は、観測された時系列における固有の空間的および時間的関係を理解することによって、これらの欠落値を推定することである。
伝統的に、複雑な時間的計算は特定のアーキテクチャに依存しており、適用可能性の制限と高い計算複雑性に悩まされている。
対照的に、我々のアプローチは、事前訓練された大規模言語モデル(LLM)を複雑な時間的インプットに統合し、画期的なフレームワークであるGATGPTを導入している。
論文 参考訳(メタデータ) (2023-11-24T08:15:11Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳(メタデータ) (2023-06-14T05:48:36Z) - Multi model LSTM architecture for Track Association based on Automatic
Identification System Data [2.094022863940315]
トラックアソシエーションのためのLong Short-Term Memory (LSTM) ベースのマルチモデルフレームワークを提案する。
我々は、精度、リコール、F1スコアなどの標準的なパフォーマンス指標を用いて、アプローチのパフォーマンスを評価する。
論文 参考訳(メタデータ) (2023-04-04T03:11:49Z) - A CNN-LSTM Architecture for Marine Vessel Track Association Using
Automatic Identification System (AIS) Data [2.094022863940315]
本研究では,トラックアソシエーションのための1次元CNN-LSTMアーキテクチャに基づくフレームワークを提案する。
提案した枠組みは、自動識別システム(AIS)を介して収集された船舶の位置と動きデータを入力とし、最も可能性の高い船舶軌道をリアルタイムで出力として返す。
論文 参考訳(メタデータ) (2023-03-24T15:26:49Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳(メタデータ) (2023-02-20T22:25:47Z) - Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic
Prediction [1.6449390849183363]
本稿では,トラフィック予測のための自動拡張時間同期グラフネットワーク予測であるAuto-DSTSを提案する。
具体的には,短期および長期の相関関係を捉えるための自動拡張時間時間グラフ (Auto-DSTS) モジュールを提案する。
我々のモデルは最先端の手法と比較して約10%改善できる。
論文 参考訳(メタデータ) (2022-07-22T00:50:39Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - DS-Net: Dynamic Spatiotemporal Network for Video Salient Object
Detection [78.04869214450963]
時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。
提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
論文 参考訳(メタデータ) (2020-12-09T06:42:30Z) - Object Tracking through Residual and Dense LSTMs [67.98948222599849]
LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。
DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。
ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
論文 参考訳(メタデータ) (2020-06-22T08:20:17Z) - Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network
for Forecasting Network-wide Traffic State with Missing Values [23.504633202965376]
我々は、RNNベースのモデルに注目し、RNNとその変種を交通予測モデルに組み込む方法を再検討する。
トラフィック状態予測のためのニューラルネットワーク構造の設計を支援するために,スタック型双方向・一方向LSTMネットワークアーキテクチャ(SBU-LSTM)を提案する。
また,LSTM構造(LSTM-I)におけるデータ計算機構を提案する。
論文 参考訳(メタデータ) (2020-05-24T00:17:15Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。