論文の概要: TrafPS: A Visual Analysis System Interpreting Traffic Prediction in
Shapley
- arxiv url: http://arxiv.org/abs/2203.06213v1
- Date: Fri, 11 Mar 2022 19:13:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-20 05:47:32.393283
- Title: TrafPS: A Visual Analysis System Interpreting Traffic Prediction in
Shapley
- Title(参考訳): TrafPS:シェープの交通予測を視覚的に解析するシステム
- Authors: Yifan Jiang, Zezheng Feng, Hongjun Wang, Zipei Fan, Xuan Song
- Abstract要約: TrafPSはデータプロセスから結果の計算と視覚化までの3つのレイヤで構成されている。
あるデモンストレーションでは、予測フローをユーザに解釈する上で、TrafPSが効果的な分析パイプラインをサポートしていることが示されている。
- 参考スコア(独自算出の注目度): 14.405970308635787
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, deep learning approaches have been proved good performance
in traffic flow prediction, many complex models have been proposed to make
traffic flow prediction more accurate. However, lacking transparency limits the
domain experts on understanding when and where the input data mainly impact the
results. Most urban experts and planners can only adjust traffic based on their
own experience and can not react effectively toward the potential traffic jam.
To tackle this problem, we adapt Shapley value and present a visualization
analysis system , which can provide experts with the interpretation of traffic
flow prediction. TrafPS consists of three layers, from data process to results
computation and visualization. We design three visualization views in TrafPS to
support the prediction analysis process. One demonstration shows that the
TrafPS supports an effective analytical pipeline on interpreting the prediction
flow to users and provides an intuitive visualization for decision making.
- Abstract(参考訳): 近年,交通流予測において深層学習手法が優れた性能を示し,交通流予測をより正確にするための複雑なモデルが数多く提案されている。
しかし、透明性の欠如により、ドメインの専門家は、入力データが結果に主に影響する時期と場所を理解することが制限される。
ほとんどの都市の専門家やプランナーは、自身の経験に基づいてのみトラフィックを調整することができ、潜在的な交通渋滞に対して効果的に反応できない。
この問題に対処するために,shapley値を適用し,交通流予測の解釈を専門家に提供する可視化分析システムを提案する。
TrafPSはデータプロセスから結果の計算と視覚化までの3つのレイヤで構成されている。
予測解析プロセスを支援するために,TrafPSで3つの可視化ビューを設計する。
あるデモンストレーションでは、trafpsがユーザに予測フローを解釈する効果的な分析パイプラインをサポートし、意思決定のための直感的な視覚化を提供することを示している。
関連論文リスト
- TrafPS: A Shapley-based Visual Analytics Approach to Interpret Traffic [39.8945062366245]
TrafPSは、交通管理と都市計画における意思決定を支援するために、交通予測結果の視覚的分析手法である。
ドメインエキスパートのタスク要求に基づき,多視点探索と重要なフローパターンの解析にインタラクティブなビジュアルインタフェースを用いる。
2つの実世界のケーススタディは、TrafPSが重要なルートを特定し、都市計画における意思決定支援に有効であることを実証している。
論文 参考訳(メタデータ) (2024-03-07T01:00:55Z) - Networkwide Traffic State Forecasting Using Exogenous Information: A
Multi-Dimensional Graph Attention-Based Approach [0.0]
本稿では,グラフに基づく交通予測手法(M-STGAT)を提案する。
過去の速度の観測に基づいてトラフィックを予測し、車線閉鎖イベント、温度、交通網の可視性などを予測する。
30分、45分、60分の予測地平線でテストを行う場合、3つの代替モデルを上回る結果が得られた。
論文 参考訳(メタデータ) (2023-10-18T21:57:20Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [64.16991399882477]
我々は,データ可用性の制限の下で一般的な軌道予測表現を学習することの課題に取り組むことを目的としている。
我々はHD-mapのグラフ表現を利用し、ベクトル変換を適用して地図を再構成する。
我々は、拡張シーンに基づく軌道を生成するためにルールベースのモデルを用いる。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳(メタデータ) (2023-08-02T23:39:24Z) - Counterfactual Graph Transformer for Traffic Flow Prediction [8.104461240718226]
既存のトラフィックフロー予測手法では、データセットからバイアスパターンを継承する傾向があり、解釈性に欠ける。
実例レベルの説明器(重要な部分グラフを見つけるなど)を用いたグラフ変換モデルを提案する。
我々は,CGTが信頼性の高い説明を作成でき,交通流予測に期待できることを示す。
論文 参考訳(メタデータ) (2023-08-01T09:12:08Z) - EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph
Learning [114.72818205974285]
本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。
EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
論文 参考訳(メタデータ) (2023-03-22T06:35:08Z) - ViP3D: End-to-end Visual Trajectory Prediction via 3D Agent Queries [17.117542692443617]
本稿では,クエリに基づく視覚軌跡予測パイプラインであるViP3Dを提案する。
シーン内のエージェントの将来の軌跡を直接予測するために、生のビデオから豊富な情報を利用する。
ViP3Dはスパースエージェントクエリを使用してパイプライン全体を検出し、追跡し、予測する。
論文 参考訳(メタデータ) (2022-08-02T16:38:28Z) - ST-P3: End-to-end Vision-based Autonomous Driving via Spatial-Temporal
Feature Learning [132.20119288212376]
本稿では,認識,予測,計画タスクを同時に行うための,より代表的な特徴の集合に対する時空間的特徴学習手法を提案する。
私たちの知識を最大限に活用するために、私たちは、解釈可能なエンドツーエンドの自動運転システムの各部分を体系的に調査した最初の人です。
論文 参考訳(メタデータ) (2022-07-15T16:57:43Z) - Revisiting the Modifiable Areal Unit Problem in Deep Traffic Prediction
with Visual Analytics [14.453075528447165]
本研究では,都市交通データの動的に変化するマルチスカラーアグリゲーションとニューラルネットワーク予測の関係を可視化する手法を提案する。
深センのタクシー旅行の現実的なデータセットを含む一連のケーススタディを通じて、我々のアプローチを評価する。
論文 参考訳(メタデータ) (2020-07-30T14:32:17Z) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳(メタデータ) (2020-04-26T00:01:49Z)
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。