論文の概要: HintNet: Hierarchical Knowledge Transfer Networks for Traffic Accident
Forecasting on Heterogeneous Spatio-Temporal Data
- arxiv url: http://arxiv.org/abs/2203.03100v1
- Date: Mon, 7 Mar 2022 02:11:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 17:07:21.578085
- Title: HintNet: Hierarchical Knowledge Transfer Networks for Traffic Accident
Forecasting on Heterogeneous Spatio-Temporal Data
- Title（参考訳）: HintNet:異種時空間データに基づく交通事故予測のための階層的知識伝達ネットワーク
- Authors: Bang An, Amin Vahedian, Xun Zhou, W. Nick Street, Yanhua Li
- Abstract要約: 交通事故予測は交通管理と公共安全にとって重要な問題である。
交通事故の発生は、空間的・時間的特徴間の複雑な依存関係に影響される。
近年の交通事故予測手法では, 深層学習モデルによる精度向上が試みられている。
- 参考スコア（独自算出の注目度）: 17.345649325770957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic accident forecasting is a significant problem for transportation
management and public safety. However, this problem is challenging due to the
spatial heterogeneity of the environment and the sparsity of accidents in space
and time. The occurrence of traffic accidents is affected by complex
dependencies among spatial and temporal features. Recent traffic accident
prediction methods have attempted to use deep learning models to improve
accuracy. However, most of these methods either focus on small-scale and
homogeneous areas such as populous cities or simply use sliding-window-based
ensemble methods, which are inadequate to handle heterogeneity in large
regions. To address these limitations, this paper proposes a novel Hierarchical
Knowledge Transfer Network (HintNet) model to better capture irregular
heterogeneity patterns. HintNet performs a multi-level spatial partitioning to
separate sub-regions with different risks and learns a deep network model for
each level using spatio-temporal and graph convolutions. Through knowledge
transfer across levels, HintNet archives both higher accuracy and higher
training efficiency. Extensive experiments on a real-world accident dataset
from the state of Iowa demonstrate that HintNet outperforms the
state-of-the-art methods on spatially heterogeneous and large-scale areas.
- Abstract（参考訳）: 交通事故予測は交通管理と公共安全にとって重要な問題である。
しかし, 空間的不均一性や空間的・時間的事故の空間的不均一性から, この問題は困難である。
交通事故の発生は、空間的・時間的特徴間の複雑な依存関係に影響される。
近年の交通事故予測手法では, 深層学習モデルによる精度向上が試みられている。
しかし、これらの手法のほとんどは、人口の多い都市のような小規模で均質な地域に焦点を当てるか、あるいは大きな地域での不均一性を扱うのに不十分なスライディングウインドウベースのアンサンブル法を用いる。
これらの制約に対処するために,不規則な不均一パターンをよりよく捉えるために,階層的知識伝達ネットワーク(HintNet)モデルを提案する。
HintNetは、異なるリスクを持つサブリージョンを分離するためのマルチレベル空間分割を行い、時空間とグラフの畳み込みを用いて各レベルのディープネットワークモデルを学ぶ。
hintnetはレベル間の知識転送を通じて、高い精度と高いトレーニング効率の両方をアーカイブする。
アイオワ州の実際の事故データセットに関する大規模な実験は、HintNetが空間的に不均一で大規模な領域で最先端の手法より優れていることを示した。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - Urban Traffic Accident Risk Prediction Revisited: Regionality, Proximity, Similarity and Sparsity [18.566139471849844]
交通事故は人間の健康と財産の安全に重大な危険をもたらす。
交通事故を防ぐために、リスクを予測することで関心が高まっている。
望ましい予測ソリューションは、交通事故の複雑さに対するレジリエンスを示すべきである、と我々は主張する。
論文 参考訳（メタデータ） (2024-07-29T03:10:15Z) - SpatialRank: Urban Event Ranking with NDCG Optimization on
Spatiotemporal Data [55.609946936979036]
本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。
本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
論文 参考訳（メタデータ） (2023-09-30T06:20:21Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z) - SARN: Structurally-Aware Recurrent Network for Spatio-Temporal Disaggregation [8.636014676778682]
オープンデータは、通常プライバシーポリシーに従うために、しばしば空間的に集約される。しかし、粗い、異質な集約は、下流のAI/MLシステムに対する一貫性のある学習と統合を複雑にする。
本稿では,空間的注意層をGRU(Gated Recurrent Unit)モデルに統合したSARN(Structurely-Aware Recurrent Network)を提案する。
履歴学習データに制限のあるシナリオでは、ある都市変数に事前学習したモデルを、数百のサンプルのみを用いて、他の都市変数に対して微調整できることを示す。
論文 参考訳（メタデータ） (2023-06-09T21:01:29Z) - Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。
本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。
フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
論文 参考訳（メタデータ） (2022-10-01T09:04:17Z) - Learning Incident Prediction Models Over Large Geographical Areas for
Emergency Response Systems [0.7340017786387767]
本稿では,道路の地形,気象,歴史的事故,リアルタイム交通渋滞に関するデータを用いて,事故予測を支援するパイプラインについて述べる。
実験結果から,本手法は現状の手法と比較して,現場での応答時間を著しく短縮できることがわかった。
論文 参考訳（メタデータ） (2021-06-15T17:33:36Z) - 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) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-23T03:50:46Z) - RiskOracle: A Minute-level Citywide Traffic Accident Forecasting
Framework [12.279252772816216]
交通事故のリアルタイム予測は、公共の安全と都市管理にとってますます重要になっている。
事故予測に関するこれまでの研究はしばしば時間レベルで行われ、既存のニューラルネットワークと静的な地域関係を考慮に入れている。
本稿では,予測の粒度を細部まで改善する新しいフレームワークであるR RiskOracleを提案する。
論文 参考訳（メタデータ） (2020-02-19T07:18:46Z) - DeepTransport: Learning Spatial-Temporal Dependency for Traffic
Condition Forecasting [31.65583737358249]
交通状況を予測するために,DeepTransportというエンドツーエンドのフレームワークを提案する。
CNNとRNNは、交通ネットワークトポロジ内の時空間交通情報を得るために利用される。
5分間の解像度で,実世界の大規模交通条件データセットを構築し,リリースした。
論文 参考訳（メタデータ） (2017-09-27T15:39:49Z)
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。