論文の概要: Accurate non-stationary short-term traffic flow prediction method
- arxiv url: http://arxiv.org/abs/2205.00517v1
- Date: Sun, 1 May 2022 17:11:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-04 02:44:53.959078
- Title: Accurate non-stationary short-term traffic flow prediction method
- Title（参考訳）: 高精度非定常短期交通流予測方法
- Authors: Wenzheng Zhao
- Abstract要約: 本稿では,Long Short-Term Memory (LSTM) に基づく,短時間のトラフィックフローを正確に予測できる手法を提案する。
提案手法は, 極端外れ値, 遅延効果, トレンド変化応答に対して, 優れた性能を有する他の最先端手法に対して良好に動作する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Precise and timely traffic flow prediction plays a critical role in
developing intelligent transportation systems and has attracted considerable
attention in recent decades. Despite the significant progress in this area
brought by deep learning, challenges remain. Traffic flows usually change
dramatically in a short period, which prevents the current methods from
accurately capturing the future trend and likely causes the over-fitting
problem, leading to unsatisfied accuracy. To this end, this paper proposes a
Long Short-Term Memory (LSTM) based method that can forecast the short-term
traffic flow precisely and avoid local optimum problems during training.
Specifically, instead of using the non-stationary raw traffic data directly, we
first decompose them into sub-components, where each one is less noisy than the
original input. Afterward, Sample Entropy (SE) is employed to merge similar
components to reduce the computation cost. The merged features are fed into the
LSTM, and we then introduce a spatiotemporal module to consider the neighboring
relationships in the recombined signals to avoid strong autocorrelation. During
training, we utilize the Grey Wolf Algorithm (GWO) to optimize the parameters
of LSTM, which overcome the overfitting issue. We conduct the experiments on a
UK public highway traffic flow dataset, and the results show that the proposed
method performs favorably against other state-of-the-art methods with better
adaption performance on extreme outliers, delay effects, and trend-changing
responses.
- Abstract（参考訳）: 精密かつタイムリーな交通流予測はインテリジェント交通システム開発において重要な役割を担い、ここ数十年でかなりの注目を集めている。
深層学習によるこの分野の大きな進歩にもかかわらず、課題は残る。
交通の流れは通常、短時間で劇的に変化するため、現在の手法が将来のトレンドを正確に把握できなくなり、おそらく過度に適合する問題を引き起こす。
そこで本研究では,短期交通の流れを正確に予測し,訓練中の局所的最適問題を回避できる長期短期記憶(lstm)ベースの手法を提案する。
具体的には、非定常的な生トラフィックデータを直接使用する代わりに、まずそれらをサブコンポーネントに分解し、各コンポーネントが元の入力よりもノイズが少ないようにします。
その後、サンプルエントロピー(SE)を用いて類似のコンポーネントをマージし、計算コストを削減する。
統合された特徴をLSTMに入力し, 組換え信号の隣接関係を考慮した時空間モジュールを導入し, 強い自己相関を回避する。
トレーニング中、grey wolfアルゴリズム(gwo)を使用してlstmのパラメータを最適化し、オーバーフィット問題を克服した。
提案手法は,イギリスの公道交通フローデータセット上で実験を行い,提案手法が,極端な異常値,遅延効果,トレンド変化応答に対する適応性の向上とともに,他の最先端手法に対して好適に動作することを示す。
関連論文リスト
- Efficient and Robust Freeway Traffic Speed Estimation under Oblique Grid using Vehicle Trajectory Data [19.01488741469791]
斜め交通速度を正確に推定するための効率的でロバストな低ランクモデルを提案する。
提案手法は,TSEシナリオにおけるルート平均角誤差(RMSE)を最大12%改善する。
最先端のSOTA(State-of-the-art)メソッドよりも20倍以上高速に動作します。
論文 参考訳（メタデータ） (2024-11-06T15:13:40Z) - 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) - Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。
近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。
我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文 参考訳（メタデータ） (2024-10-28T09:19:29Z) - A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic
Flow Forecasting [21.6456624219159]
トラフィックフロー予測における重要な課題は、毎日のサイクルと毎週のサイクルの間の時間的ピークの緩やかなシフトである。
本稿では,2つの部分を含む交通流予測のためのスローシフト型機械学習手法を提案する。
提案手法は,ルート平均二乗誤差と平均絶対パーセンテージ誤差を用いて,最先端の結果を14.55%,62.56%向上させる。
論文 参考訳（メタデータ） (2023-03-31T03:07:53Z) - 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) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Time Delay Estimation of Traffic Congestion Propagation based on
Transfer Entropy [2.6184533346117793]
本稿では,ラグ特異的トランスファーエントロピー(TE)を用いた道路間交通渋滞伝播の時間遅延推定手法を提案する。
提案手法は,大韓民国のGPSナビゲーションシステムから得られたシミュレーションデータと実ユーザ軌道データを用いて検証した。
論文 参考訳（メタデータ） (2021-08-15T10:58:59Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳（メタデータ） (2020-12-25T01:40:29Z) - Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。
我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。
本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文 参考訳（メタデータ） (2020-07-10T16:00:44Z) - Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。
生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。
我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
論文 参考訳（メタデータ） (2020-06-23T08:49:46Z) - Short-Term Traffic Flow Prediction Using Variational LSTM Networks [3.2364716800671873]
本研究では,歴史データに基づく深層学習手法を用いて交通流予測モデルを提案する。
2019年、カルトランス性能測定システム(PeMS)から6ヶ月間収集された歴史的データ。
提案した予測モデルは、短いVLSTM-Eにおける変分長短期記憶である。
論文 参考訳（メタデータ） (2020-02-18T23:22:31Z)
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。