論文の概要: Learning spatiotemporal features from incomplete data for traffic flow prediction using hybrid deep neural networks

• arxiv url: http://arxiv.org/abs/2204.10222v1
• Date: Thu, 21 Apr 2022 15:57:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-22 12:32:52.046400
• Title: Learning spatiotemporal features from incomplete data for traffic flow prediction using hybrid deep neural networks
• Title（参考訳）: ハイブリッドディープニューラルネットワークを用いた交通流予測のための不完全データからの時空間特徴の学習
• Authors: Mehdi Mehdipour Ghazi, Amin Ramezani, Mehdi Siahi, Mostafa Mehdipour Ghazi
• Abstract要約: 本研究では,カリフォルニア・フリーウェイ・パフォーマンス・計測システム(PeMS)のトラフィックフローを,欠落した値で予測するハイブリッドディープニューラルネットワークに焦点を当てた。 RNNとCNNをベースとして,並列接続と並列接続の異なるアーキテクチャ構成が検討されている。 PeMSから得られた2つの異なるデータセットを総合的に分析した結果,平均計算手法を用いたシリーズ並列ハイブリッドネットワークは,交通流の予測において最も低い誤差を達成できることがわかった。
• 参考スコア（独自算出の注目度）: 0.28675177318965034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban traffic flow prediction using data-driven models can play an important role in route planning and preventing congestion on highways. These methods utilize data collected from traffic recording stations at different timestamps to predict the future status of traffic. Hence, data collection, transmission, storage, and extraction techniques can have a significant impact on the performance of the traffic flow model. On the other hand, a comprehensive database can provide the opportunity for using complex, yet reliable predictive models such as deep learning methods. However, most of these methods have difficulties in handling missing values and outliers. This study focuses on hybrid deep neural networks to predict traffic flow in the California Freeway Performance Measurement System (PeMS) with missing values. The proposed networks are based on a combination of recurrent neural networks (RNNs) to consider the temporal dependencies in the data recorded in each station and convolutional neural networks (CNNs) to take the spatial correlations in the adjacent stations into account. Various architecture configurations with series and parallel connections are considered based on RNNs and CNNs, and several prevalent data imputation techniques are used to examine the robustness of the hybrid networks to missing values. A comprehensive analysis performed on two different datasets from PeMS indicates that the proposed series-parallel hybrid network with the mean imputation technique achieves the lowest error in predicting the traffic flow and is robust to missing values up until 21% missing ratio in both complete and incomplete training data scenarios when applied to an incomplete test data.
• Abstract（参考訳）: データ駆動モデルを用いた都市交通流予測は,高速道路の渋滞防止や経路計画において重要な役割を果たす。 これらの手法は、異なるタイムスタンプの交通記録局から収集したデータを用いて、将来の交通状況を予測する。 したがって、データ収集、送信、ストレージ、および抽出技術は、トラフィックフローモデルの性能に大きな影響を与える可能性がある。 一方で、包括的なデータベースは、深層学習法のような複雑で信頼性の高い予測モデルを使用する機会を提供することができる。 しかし、これらの手法のほとんどは、欠落した値と外れ値を扱うのに困難である。 本研究では,カリフォルニア高速道路性能測定システム (pems) における交通流予測のためのハイブリッド深層ニューラルネットワークに着目した。 提案するネットワークは、各局に記録されたデータにおける時間的依存関係を考慮するためのリカレントニューラルネットワーク(RNN)と、隣接局の空間的相関を考慮した畳み込みニューラルネットワーク(CNN)の組み合わせに基づいている。 直列接続と並列接続を持つ様々なアーキテクチャ構成は、rnnとcnnに基づいて検討され、いくつかの一般的なデータインプテーション技術は、欠落した値に対するハイブリッドネットワークの堅牢性を調べるために使用される。 PeMSの2つの異なるデータセットで実施された包括的分析から,提案手法を用いたシリーズ並列ハイブリッドネットワークは,不完全なテストデータに適用した場合に,トラフィックフローの予測における最小誤差を達成し,不完全なトレーニングデータと不完全なトレーニングデータの両方において,21%の欠落率まで堅牢であることが示された。

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)
• 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)
• Wavelet-Inspired Multiscale Graph Convolutional Recurrent Network for Traffic Forecasting [0.0]
  本稿では,マルチスケール解析(MSA)法とディープラーニング(DL)法を組み合わせたグラフ・コンパス・リカレント・ネットワーク(WavGCRN)を提案する。 提案手法は,現実のトラフィックデータセット上での解釈可能性,強力な学習能力,および競合予測性能を提供する。
  論文  参考訳（メタデータ） (2024-01-11T16:55:48Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
  格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
  論文  参考訳（メタデータ） (2022-03-24T03:31:18Z)
• STCGAT: Spatial-temporal causal networks for complex urban road traffic flow prediction [12.223433627287605]
  交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。 既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。 本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-21T06:38:34Z)
• Intrusion Detection using Spatial-Temporal features based on Riemannian Manifold [1.14219428942199]
  ネットワークトラフィックデータは、異なるネットワークプロトコルの下で異なるデータバイトパケットの組み合わせである。 これらのトラフィックパケットは、複雑な時間変化の非線形関係を持つ。 既存の最先端の手法は、相関に基づいて特徴を複数のサブセットに融合することで、この課題に発展する。 これはしばしば、高い計算コストと、ネットワークトラフィックのリアルタイム処理に制限となる手動サポートを必要とする。
  論文  参考訳（メタデータ） (2021-10-31T23:50:59Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• 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)
• A Nonconvex Low-Rank Tensor Completion Model for Spatiotemporal Traffic Data Imputation [13.48205738743634]
  様々なセンサシステムから収集された時空間トラフィックデータには,データ計算の欠如が一般的である。 本稿では,各変数に対する最適解を求めるアルゴリズムを提案する。 提案したモデルは、他のベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2020-03-23T13:27:01Z)

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。