論文の概要: TLETA: Deep Transfer Learning and Integrated Cellular Knowledge for
Estimated Time of Arrival Prediction
- arxiv url: http://arxiv.org/abs/2206.08513v1
- Date: Fri, 17 Jun 2022 02:20:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-21 05:12:16.182383
- Title: TLETA: Deep Transfer Learning and Integrated Cellular Knowledge for
Estimated Time of Arrival Prediction
- Title（参考訳）: TLETA: 予測時間推定のための深層移動学習とセルラー知識の統合
- Authors: Hieu Tran, Son Nguyen, I-Ling Yen, Farokh Bastani
- Abstract要約: 運転時間予測のための深層移動学習フレームワークTLETAを提案する。
TLETAは、運転パターンを抽出するための細胞間空間的知識グリッドを構築し、道路ネットワーク構造を埋め込み、ETAのためのディープニューラルネットワークを構築する。
我々のモデルは高精度で旅行時間を予測し、多くの最先端のアプローチより優れている。
- 参考スコア（独自算出の注目度）: 6.125017875330933
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vehicle arrival time prediction has been studied widely. With the emergence
of IoT devices and deep learning techniques, estimated time of arrival (ETA)
has become a critical component in intelligent transportation systems. Though
many tools exist for ETA, ETA for special vehicles, such as ambulances, fire
engines, etc., is still challenging due to the limited amount of traffic data
for special vehicles. Existing works use one model for all types of vehicles,
which can lead to low accuracy. To tackle this, as the first in the field, we
propose a deep transfer learning framework TLETA for the driving time
prediction. TLETA constructs cellular spatial-temporal knowledge grids for
extracting driving patterns, combined with the road network structure embedding
to build a deep neural network for ETA. TLETA contains transferable layers to
support knowledge transfer between different categories of vehicles.
Importantly, our transfer models only train the last layers to map the
transferred knowledge, that reduces the training time significantly. The
experimental studies show that our model predicts travel time with high
accuracy and outperforms many state-of-the-art approaches.
- Abstract（参考訳）: 車両到着時刻の予測は広く研究されている。
IoTデバイスの出現とディープラーニング技術により、推定到着時間(ETA)はインテリジェントトランスポートシステムにおいて重要な要素となっている。
ETAには多くのツールが存在するが、救急車や消防車などの特殊車両のETAは、特別車両の交通データが限られているため、依然として困難である。
既存の作業では、すべての種類の車両に1つのモデルを使用しているため、精度が低下する可能性がある。
そこで本稿では,この分野で初めて,運転時間予測のための深層伝達学習フレームワークtletaを提案する。
TLETAは、運転パターンを抽出するための細胞間空間的知識グリッドを構築し、道路ネットワーク構造を埋め込み、ETAのためのディープニューラルネットワークを構築する。
TLETAは、異なるカテゴリーの車両間の知識伝達をサポートするための転送可能な層を含んでいる。
重要なことは、転送モデルは、転送された知識をマップするために最後のレイヤのみをトレーニングします。
実験の結果,本モデルは移動時間を高精度に予測し,最先端の手法を上回っていることがわかった。
関連論文リスト
- Navigating Uncertainty: The Role of Short-Term Trajectory Prediction in
Autonomous Vehicle Safety [3.3659635625913564]
我々は,CARLAシミュレータを用いた短期軌道予測タスクのためのデータセットを開発した。
このデータセットは広く、複雑なシナリオとして、歩行者が道路を横断し、車両が乗り越える、と考えられています。
畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)を用いた終端から終端までの短期軌道予測モデルも開発されている。
論文 参考訳（メタデータ） (2023-07-11T14:28:33Z) - Multi-Vehicle Trajectory Prediction at Intersections using State and
Intention Information [50.40632021583213]
道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。
この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。
この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
論文 参考訳（メタデータ） (2023-01-06T15:13:23Z) - DuETA: Traffic Congestion Propagation Pattern Modeling via Efficient
Graph Learning for ETA Prediction at Baidu Maps [33.16286526517814]
本報告では,DuETA という産業グレードの ETA 予測フレームワークを提案する。
具体的には,交通パターンの相関関係に基づいて,渋滞に敏感なグラフを構築する。
道路セグメントの長距離相関を直接学習する経路対応グラフ変換器を開発した。
論文 参考訳（メタデータ） (2022-08-15T02:46:33Z) - Hybrid Graph Embedding Techniques in Estimated Time of Arrival Task [0.06445605125467574]
ETA(Estimated Time of Arrival)は、開始点から所定の経路に沿った特定の場所への移動時間を予測していると考えられている。
ETAはインテリジェントタクシーサービスや自動車ナビゲーションシステムにおいて重要な役割を担っている。
本研究では,異なる空間埋め込み戦略の一般化能力について検討し,そのような問題に対処するための2段階的アプローチを提案する。
論文 参考訳（メタデータ） (2021-10-08T16:29:55Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳（メタデータ） (2021-09-03T13:33:33Z) - A First Look at Class Incremental Learning in Deep Learning Mobile
Traffic Classification [68.11005070665364]
インクリメンタルラーニング(IL)技術を使って、モデルに新しいクラスをフルリトレーニングせずに追加し、モデルのアップデートサイクルを高速化します。
iCarlはアートILメソッドのステートであり、MIRAGE-2019は40のAndroidアプリからのトラフィックを持つパブリックデータセットである。
解析によってその初期段階が明らかになっているにもかかわらず、IL技術は自動DLベースの交通分析システムへのロードマップに関する有望な研究分野である。
論文 参考訳（メタデータ） (2021-07-09T14:28:16Z) - Vehicle Route Prediction through Multiple Sensors Data Fusion [0.0]
フレームワークは2つのモジュールで構成される。
ディープラーニングを用いて車両ナンバーの認識を行うフレームワークの最初のモジュール。
機械学習の教師付き学習アルゴリズムを用いた第2モジュールは、車両の経路を予測する。
論文 参考訳（メタデータ） (2020-08-30T08:14:11Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z) - FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。
異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。
実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
論文 参考訳（メタデータ） (2020-06-07T08:10:47Z)
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。