論文の概要: Short-term passenger flow prediction for multi-traffic modes: A residual network and Transformer based multi-task learning method

• arxiv url: http://arxiv.org/abs/2203.00422v1
• Date: Sun, 27 Feb 2022 01:09:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 14:53:02.591257
• Title: Short-term passenger flow prediction for multi-traffic modes: A residual network and Transformer based multi-task learning method
• Title（参考訳）: 多交通モードの短期的乗客フロー予測:残差ネットワークとトランスフォーマーに基づくマルチタスク学習手法
• Authors: Yongjie Yang, Jinlei Zhang, Lixing Yang, Ziyou Gao
• Abstract要約: Res-Transformerは、複数交通モードの短期的乗客フロー予測のための学習モデルである。 モデルは北京の2つの大規模な実世界のデータセットで評価される。 本稿では,複数交通モードにおける短時間の乗客フロー予測について,重要な洞察を与えることができる。
• 参考スコア（独自算出の注目度）: 21.13073816634534
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With the prevailing of mobility as a service (MaaS), it becomes increasingly important to manage multi-traffic modes simultaneously and cooperatively. As an important component of MaaS, short-term passenger flow prediction for multi-traffic modes has thus been brought into focus. It is a challenging problem because the spatiotemporal features of multi-traffic modes are critically complex. To solve the problem, this paper proposes a multi-task learning-based model, called Res-Transformer, for short-term passenger flow prediction of multi-traffic modes (subway, taxi, and bus). Each traffic mode is treated as a single task in the model. The Res-Transformer consists of three parts: (1) several modified transformer layers comprising 2D convolutional neural networks (CNN) and multi-head attention mechanism, which helps to extract the spatial and temporal features of multi-traffic modes, (2) a residual network architecture used to extract the inner pattern of different traffic modes and enhance the passenger flow features of multi-traffic modes. The Res-Transformer model is evaluated on two large-scale real-world datasets from Beijing, China. One is the region of a traffic hub and the other is the region of a residential area. Experiments are conducted to compare the performance of the proposed model with several state-of-the-art models to prove the effectiveness and robustness of the proposed method. This paper can give critical insights into the short-tern passenger flow prediction for multi-traffic modes.
• Abstract（参考訳）: モビリティ・アズ・ア・サービス(MaaS)の普及に伴い、マルチトラフィック・モードを同時にかつ協調的に管理することがますます重要になる。 maasの重要な構成要素として、マルチトラフィックモードの短期旅客流量予測が注目されている。 マルチトラフィックモードの時空間的特徴が極めて複雑であるため、これは難しい問題である。 そこで本稿では,マルチトラフィックモード(サブウェイ,タクシー,バス)の短期乗客フロー予測のためのres-transformerと呼ばれるマルチタスク学習モデルを提案する。 各トラフィックモードはモデル内の1つのタスクとして扱われる。 Res-Transformerは,(1)2次元畳み込みニューラルネットワーク(CNN)とマルチヘッドアテンション機構からなる改良されたトランスフォーマー層で構成され,マルチトラフィックモードの空間的特徴と時間的特徴を抽出し,(2)異なるトラフィックモードの内部パターンを抽出し,多トラフィックモードの乗客フロー特性を高めるために使用される残留ネットワークアーキテクチャである。 res-transformerモデルは、北京の2つの大規模実世界データセットで評価されている。 1つは交通ハブの地域、もう1つは住宅エリアの地域である。 提案手法の有効性とロバスト性を証明するために,提案モデルといくつかの最先端モデルとの比較実験を行った。 本稿では,複数交通モードにおける短時間の乗客フロー予測について重要な知見を与える。

関連論文リスト

• Think Twice Before Recognizing: Large Multimodal Models for General Fine-grained Traffic Sign Recognition [49.20086587208214]
  我々は、微粒な交通標識認識(TSR)を改善するために認識する前に、思考と呼ばれる新しい戦略を提案する。 我々の戦略は、大型マルチモーダルモデル(LMM)の多重思考能力を刺激することで、有効な微粒化TSRを実現する。
  論文  参考訳（メタデータ） (2024-09-03T02:08:47Z)
• A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
  本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。 モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
  論文  参考訳（メタデータ） (2024-06-02T05:41:25Z)
• MTDT: A Multi-Task Deep Learning Digital Twin [8.600701437207725]
  我々は,多面的かつ正確な交差点交通流シミュレーションのソリューションとして,MTDT(Multi-Task Deep Learning Digital Twin)を導入した。 MTDTは,移動車線毎のループ検出波形時系列の精度,きめ細かな推定を可能にする。 複数のタスクにまたがって学習プロセスを統合することで、MTDTはオーバーフィッティングの削減、効率の向上、有効性の向上を示す。
  論文  参考訳（メタデータ） (2024-05-02T00:34:10Z)
• Deep Multi-View Channel-Wise Spatio-Temporal Network for Traffic Flow Prediction [18.008631008649658]
  underlineMulti-underlineView underlineChannel-wise underlineSpatio-underlineTemporal underlineNetwork (MVC-STNet) 我々は,マルチチャネル交通流予測の新たな課題について検討し,深いアンダーラインMulti-underlineViewアンダーラインChannel-wiseアンダーラインTempを提案する。
  論文  参考訳（メタデータ） (2024-04-23T13:39:04Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Multi-View TRGRU: Transformer based Spatiotemporal Model for Short-Term Metro Origin-Destination Matrix Prediction [12.626657411944949]
  ODメトロマトリクス予測に対処するハイブリド・フレームワークであるMulti-view TRGRUを提案する。 特に、最近のトレンド、日々のトレンド、毎週のトレンドという3つのフロー変化パターンをモデル化するために、3つのモジュールを使用する。 各モジュールにおいて、各ステーションへの埋め込みに基づくマルチビュー表現を構築し、トランスをベースとした再ゲート電流構造に供給する。
  論文  参考訳（メタデータ） (2021-08-09T09:32:42Z)
• Optimal transport in multilayer networks [68.8204255655161]
  本稿では,各層上の最適フローが,コストの最小化に寄与するモデルを提案する。 アプリケーションとして,各層が異なる輸送システムに関連付けられている交通ネットワークを考察する。 この結果の例をボルドー市とバスと路面電車の2層ネットワークで示し、ある状況下では路面電車網の存在が道路網の交通を著しく覆い隠している。
  論文  参考訳（メタデータ） (2021-06-14T07:33:09Z)
• Learning dynamic and hierarchical traffic spatiotemporal features with Transformer [4.506591024152763]
  本稿では,空間時間グラフモデリングと長期交通予測のための新しいモデルであるTraffic Transformerを提案する。 Transformerは自然言語処理(NLP)で最も人気のあるフレームワークです。 注目重量行列を解析すれば 道路網の 影響力のある部分を見つけられる 交通網をよりよく学べる
  論文  参考訳（メタデータ） (2021-04-12T02:29:58Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。