論文の概要: Traffic-Twitter Transformer: A Nature Language Processing-joined
Framework For Network-wide Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2206.11078v1
- Date: Sun, 19 Jun 2022 20:17:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 14:05:51.825961
- Title: Traffic-Twitter Transformer: A Nature Language Processing-joined
Framework For Network-wide Traffic Forecasting
- Title（参考訳）: Traffic-Twitter Transformer: ネットワーク全体のトラフィック予測のための自然言語処理フレームワーク
- Authors: Meng-Ju Tsai, Zhiyong Cui, Hao (Frank) Yang, and Yinhai Wang
- Abstract要約: 本研究では,公共利用者や交通機関の交通状況を予測するためのフレキシブルで包括的な枠組みを提案する。
まず,2つの時系列データ,トラフィック強度,およびTwitterデータ強度の相関性を評価するために,相関研究と線形回帰モデルを構築した。
次に、2つの時系列データをソーシャル対応フレームワークであるTraffic-Twitter Transformerに入力し、Nature Language表現を時系列レコードに統合し、長期トラフィック予測を行った。
- 参考スコア（独自算出の注目度）: 14.71745498591372
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With accurate and timely traffic forecasting, the impacted traffic conditions
can be predicted in advance to guide agencies and residents to respond to
changes in traffic patterns appropriately. However, existing works on traffic
forecasting mainly relied on historical traffic patterns confining to
short-term prediction, under 1 hour, for instance. To better manage future
roadway capacity and accommodate social and human impacts, it is crucial to
propose a flexible and comprehensive framework to predict physical-aware
long-term traffic conditions for public users and transportation agencies. In
this paper, the gap of robust long-term traffic forecasting was bridged by
taking social media features into consideration. A correlation study and a
linear regression model were first implemented to evaluate the significance of
the correlation between two time-series data, traffic intensity and Twitter
data intensity. Two time-series data were then fed into our proposed
social-aware framework, Traffic-Twitter Transformer, which integrated Nature
Language representations into time-series records for long-term traffic
prediction. Experimental results in the Great Seattle Area showed that our
proposed model outperformed baseline models in all evaluation matrices. This
NLP-joined social-aware framework can become a valuable implement of
network-wide traffic prediction and management for traffic agencies.
- Abstract（参考訳）: 正確かつタイムリーな交通予報により、影響した交通状況が事前に予測され、自治体や住民が交通パターンの変化に適切に対応できるようにする。
しかし、交通予測に関する既存の研究は、例えば1時間以内の短期的な予測に終始する歴史的交通パターンに大きく依存している。
将来的な道路容量の管理と社会的・人的影響に対応するためには,利用者や交通機関の身体的認識による長期交通状況を予測するための柔軟で包括的な枠組みを提案することが重要である。
本稿では,ソーシャルメディアの特徴を考慮に入れて,堅牢な長期交通予測のギャップを埋めた。
まず,2つの時系列データ,トラフィック強度,およびTwitterデータ強度の相関性を評価するために,相関研究と線形回帰モデルを構築した。
次に、2つの時系列データをソーシャル対応フレームワークであるTraffic-Twitter Transformerに入力し、Nature Language表現を時系列レコードに統合し、長期トラフィック予測を行った。
シアトル大都市圏における実験結果は,提案モデルがすべての評価行列においてベースラインモデルよりも優れていることを示した。
このnlpに結合したソーシャルアウェアフレームワークは、交通機関のネットワーク全体のトラフィック予測と管理の貴重な実装となり得る。
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) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。
本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。
本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文 参考訳（メタデータ） (2024-03-08T04:19:56Z) - Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity
Analysis [6.8775337739726226]
本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。
本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
論文 参考訳（メタデータ） (2023-08-20T14:31:55Z) - Uncertainty Quantification for Image-based Traffic Prediction across
Cities [63.136794104678025]
不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。
複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。
モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
論文 参考訳（メタデータ） (2023-08-11T13:35:52Z) - TrafFormer: A Transformer Model for Predicting Long-term Traffic [3.6776225248989536]
長期的な交通予測は、交通渋滞に対するより包括的で情報があり、予防的な対策を可能にする。
我々は,24時間前のトラフィックを予測するために,改良されたトランスフォーマーモデルTrafFormerを提案する。
論文 参考訳（メタデータ） (2023-02-24T01:29:21Z) - 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) - 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) - Domain Adversarial Spatial-Temporal Network: A Transferable Framework
for Short-term Traffic Forecasting across Cities [9.891703123090528]
本稿では,新しい移動可能な交通予測フレームワークDASTNetを提案する。
DASTNetは複数のソースネットワーク上で事前トレーニングされ、ターゲットネットワークのトラフィックデータに微調整される。
3つのベンチマークデータセット上で、最先端のベースラインメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2022-02-08T03:58:39Z) - PSTN: Periodic Spatial-temporal Deep Neural Network for Traffic
Condition Prediction [8.255993195520306]
本稿では,交通条件の予測性能を改善するために,周期的深部ニューラルネットワーク(PSTN)を3つのモジュールで提案する。
まず、歴史交通情報を折り畳み、グラフ畳み込みネットワークと時間畳み込みネットワークからなるモジュールに供給する。
論文 参考訳（メタデータ） (2021-08-05T07:42:43Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳（メタデータ） (2020-01-09T10:21:04Z)
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。