論文の概要: Traffic4cast at NeurIPS 2021 -- Temporal and Spatial Few-Shot Transfer
Learning in Gridded Geo-Spatial Processes
- arxiv url: http://arxiv.org/abs/2203.17070v2
- Date: Fri, 1 Apr 2022 10:06:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-04 11:28:37.297619
- Title: Traffic4cast at NeurIPS 2021 -- Temporal and Spatial Few-Shot Transfer
Learning in Gridded Geo-Spatial Processes
- Title（参考訳）: traffic4cast at neurips 2021 -- gridded geo-spatial processesにおける時間的および空間的少数ショット転送学習
- Authors: Christian Eichenberger, Moritz Neun, Henry Martin, Pedro Herruzo,
Markus Spanring, Yichao Lu, Sungbin Choi, Vsevolod Konyakhin, Nina Lukashina,
Aleksei Shpilman, Nina Wiedemann, Martin Raubal, Bo Wang, Hai L. Vu, Reza
Mohajerpoor, Chen Cai, Inhi Kim, Luca Hermes, Andrew Melnik, Riza Velioglu,
Markus Vieth, Malte Schilling, Alabi Bojesomo, Hasan Al Marzouqi, Panos
Liatsis, Jay Santokhi, Dylan Hillier, Yiming Yang, Joned Sarwar, Anna Jordan,
Emil Hewage, David Jonietz, Fei Tang, Aleksandra Gruca, Michael Kopp, David
Kreil and Sepp Hochreiter
- Abstract要約: NeurIPS 2019と2020のIARAI Traffic4castコンペティションでは、ニューラルネットワークが将来の交通条件を1時間以内に予測することに成功した。
U-Netsは、この複雑な現実世界の地理空間的プロセスにおいて、関連する特徴を抽出する能力を実証し、勝利したアーキテクチャであることが証明された。
コンペティションは2年間で10都市をカバーし、1012以上のGPSプローブデータから収集したデータを提供する。
- 参考スコア（独自算出の注目度）: 61.16854022482186
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The IARAI Traffic4cast competitions at NeurIPS 2019 and 2020 showed that
neural networks can successfully predict future traffic conditions 1 hour into
the future on simply aggregated GPS probe data in time and space bins. We thus
reinterpreted the challenge of forecasting traffic conditions as a movie
completion task. U-Nets proved to be the winning architecture, demonstrating an
ability to extract relevant features in this complex real-world geo-spatial
process. Building on the previous competitions, Traffic4cast 2021 now focuses
on the question of model robustness and generalizability across time and space.
Moving from one city to an entirely different city, or moving from pre-COVID
times to times after COVID hit the world thus introduces a clear domain shift.
We thus, for the first time, release data featuring such domain shifts. The
competition now covers ten cities over 2 years, providing data compiled from
over 10^12 GPS probe data. Winning solutions captured traffic dynamics
sufficiently well to even cope with these complex domain shifts. Surprisingly,
this seemed to require only the previous 1h traffic dynamic history and static
road graph as input.
- Abstract（参考訳）: NeurIPS 2019と2020のIARAI Traffic4castコンペティションによると、ニューラルネットワークは、時間と宇宙のビンで単に集計されたGPSプローブデータによって、将来1時間の交通条件を予測できる。
そこで我々は,交通条件の予測を映画完成作業として再解釈した。
u-netsは勝利したアーキテクチャであることが証明され、この複雑な実世界の地理空間プロセスで関連する特徴を抽出する能力を示した。
これまでのコンペティションに基づいて、traffic4cast 2021は現在、時間と空間にわたるモデルの堅牢性と一般化可能性の問題に焦点を当てている。
ひとつの都市からまったく別の都市へ、あるいは、新型コロナウイルスが世界を襲った後、事前に共有された時間から時間に移行することで、明確なドメインシフトがもたらされる。
したがって、このようなドメインシフトを特徴とするデータを初めてリリースします。
コンペティションは2年間で10都市をカバーし、10^12以上のGPSプローブデータから収集したデータを提供する。
勝利したソリューションは、複雑なドメインシフトに対処できるほどトラフィックのダイナミクスをうまく捉えた。
驚いたことに、これは入力として以前の1hのトラフィック動的履歴と静的道路グラフのみを必要とするように思えた。
関連論文リスト
- Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - Traffic4cast at NeurIPS 2022 -- Predict Dynamics along Graph Edges from
Sparse Node Data: Whole City Traffic and ETA from Stationary Vehicle
Detectors [25.857884532427292]
Traffic4castは、複雑な空間システムを時間とともにモデル化するための機械学習を進化させるコンペティションシリーズである。
われわれのダイナミックな道路グラフデータは、道路地図、1012ドルのプローブデータポイント、そして2年間にわたって3つの都市で静止車両検出器からの情報を組み合わせている。
その中核となる課題として,3都市15分後の道路グラフ全体のGPSデータの速度レベルから,3つの渋滞クラスが生じる可能性を予測することが挙げられる。
課題の延長として、参加者は15分以内のスーパーセグメントの平均走行時間を予測することが義務付けられている。
論文 参考訳（メタデータ） (2023-03-14T10:03:37Z) - Multi-task Learning for Sparse Traffic Forecasting [13.359590890052454]
本稿では,各道路セグメントの混雑クラスと速度を同時に予測できるマルチタスク学習ネットワークを提案する。
提案手法はTraffic4cast Competition 2022で提供されたデータセットにおいて,ソースコードをhttps://github.com/OctopusLi/NeurIPS2022-traffic4castで公開しています。
論文 参考訳（メタデータ） (2022-11-18T02:10:40Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳（メタデータ） (2022-05-06T13:45:32Z) - Solving Traffic4Cast Competition with U-Net and Temporal Domain
Adaptation [0.0]
我々は、Traffic4Cast 2021 Core Challengeにソリューションを提示する。
この課題は、新型コロナウイルスのパンデミックによるトラフィックの時間的ドメインシフトに焦点を当てている。
我々の解決策は決勝戦で3位になった。
論文 参考訳（メタデータ） (2021-11-05T11:49:52Z) - Traffic Forecasting on Traffic Moving Snippets [5.614519484892094]
トラヒック4キャストの競争では、短期的な交通予測が前例のない細部で取り組まれている。
そこで本研究では,全都市ラスタを一度に処理するのではなく,小さな二次都市区間を予測することを提案する。
traffic4castテストデータのパフォーマンスと検証セットのさらなる実験により、パッチワイズ予測が実際に精度を向上させることが示されている。
論文 参考訳（メタデータ） (2021-10-27T12:36:58Z) - The 5th AI City Challenge [51.83023045451549]
第5回AIシティチャレンジには38カ国305チームが参加した。
アルゴリズムの有効性と計算効率の両面で評価を行った。
結果は、スマートトランスポーテーションにおけるAIの約束を示している。
論文 参考訳（メタデータ） (2021-04-25T19:15:27Z) - TLab: Traffic Map Movie Forecasting Based on HR-NET [23.40323690536007]
私たちのソリューションでは、手作りの機能はチャネルの形でモデルに入力されます。
予測精度に関しては、NeurIPS 2020、Traffic4cast Challengeで2位を獲得しました。
論文 参考訳（メタデータ） (2020-11-13T18:48:13Z) - 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) - Physical-Virtual Collaboration Modeling for Intra-and Inter-Station
Metro Ridership Prediction [116.66657468425645]
本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。
特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。
類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
論文 参考訳（メタデータ） (2020-01-14T16:47:54Z)
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。