論文の概要: A Visual Analytics System for Improving Attention-based Traffic
Forecasting Models
- arxiv url: http://arxiv.org/abs/2208.04350v2
- Date: Thu, 11 Aug 2022 04:35:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-12 11:09:03.968979
- Title: A Visual Analytics System for Improving Attention-based Traffic
Forecasting Models
- Title(参考訳): 注意に基づく交通予測モデル改善のためのビジュアル分析システム
- Authors: Seungmin Jin, Hyunwook Lee, Cheonbok Park, Hyeshin Chu, Yunwon Tae,
Jaegul Choo, Sungahn Ko
- Abstract要約: 我々は,ディープラーニングモデルによる予測の仕方を探ることのできる視覚分析システムを開発した。
このシステムは、動的時間ゆらぎ(DTW)と、計算時間依存性分析のためのグランガー因果性テストを含む。
本稿では,AttnAnalyzerがモデル動作を効果的に探索し,モデル性能を向上させるための3つのケーススタディを提案する。
- 参考スコア(独自算出の注目度): 25.975369237248316
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With deep learning (DL) outperforming conventional methods for different
tasks, much effort has been devoted to utilizing DL in various domains.
Researchers and developers in the traffic domain have also designed and
improved DL models for forecasting tasks such as estimation of traffic speed
and time of arrival. However, there exist many challenges in analyzing DL
models due to the black-box property of DL models and complexity of traffic
data (i.e., spatio-temporal dependencies). Collaborating with domain experts,
we design a visual analytics system, AttnAnalyzer, that enables users to
explore how DL models make predictions by allowing effective spatio-temporal
dependency analysis. The system incorporates dynamic time warping (DTW) and
Granger causality tests for computational spatio-temporal dependency analysis
while providing map, table, line chart, and pixel views to assist user to
perform dependency and model behavior analysis. For the evaluation, we present
three case studies showing how AttnAnalyzer can effectively explore model
behaviors and improve model performance in two different road networks. We also
provide domain expert feedback.
- Abstract(参考訳): 深層学習(DL)は様々なタスクの従来の手法よりも優れており、様々な領域におけるDLの利用に多くの努力が注がれている。
トラフィックドメインの研究者と開発者は、交通速度の推定や到着時刻などのタスクを予測するdlモデルの設計と改善も行なっている。
しかしながら、dlモデルのブラックボックス特性とトラフィックデータの複雑さ(時空間依存性)のため、dlモデルの解析には多くの課題がある。
ドメインエキスパートと共同で視覚分析システムであるAttnAnalyzerを設計し,効率的な時空間依存分析を行うことで,DLモデルがどのように予測を行うかを検討する。
このシステムは動的時間ワーキング(DTW)とグランガー因果性テスト(Granger causality test)を内蔵し、マップ、テーブル、ラインチャート、ピクセルビューを提供し、ユーザが依存性やモデル動作の分析を行うのを支援する。
本研究では,AttnAnalyzerがモデル動作を効果的に探索し,2つの異なる道路網におけるモデル性能を向上させる方法を示す。
ドメインエキスパートのフィードバックも提供します。
関連論文リスト
- Test-time Adaptive Vision-and-Language Navigation [75.50521064106732]
視覚・言語ナビゲーションのためのFSTTA(Fast-Slow Test-Time Adaptation)アプローチを提案する。
高速更新フェーズでは、最近のマルチステップナビゲーションプロセスで発生する勾配を、さまざまなレベルの一貫性を持つコンポーネントに分解する。
遅い更新フェーズでは、歴史的に記録されたパラメータを収集し、同様の分解蓄積分析を行い、モデルを安定状態に戻す。
論文 参考訳(メタデータ) (2023-11-22T07:47:39Z) - TimeTuner: Diagnosing Time Representations for Time-Series Forecasting
with Counterfactual Explanations [3.8357850372472915]
本稿では,モデル行動が局所化,定常性,時系列表現の相関とどのように関連しているかをアナリストが理解するために,新しいビジュアル分析フレームワークであるTimeTunerを提案する。
TimeTunerは時系列表現を特徴付けるのに役立ち、機能エンジニアリングのプロセスを導くのに役立ちます。
論文 参考訳(メタデータ) (2023-07-19T11:40:15Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳(メタデータ) (2023-06-20T03:02:14Z) - Robustness and Generalization Performance of Deep Learning Models on
Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。
我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文 参考訳(メタデータ) (2023-06-13T12:43:59Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳(メタデータ) (2022-04-25T19:06:48Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Dynamic Spatiotemporal Graph Convolutional Neural Networks for Traffic
Data Imputation with Complex Missing Patterns [3.9318191265352196]
本稿では,DSTG(Dynamic Spatio Graph Contemporal Networks)と呼ばれる新しいディープラーニングフレームワークを提案する。
本稿では,動的空間依存のリアルタイム交通情報と道路ネットワーク構造をモデル化するためのグラフ構造推定手法を提案する。
提案手法は,既存の深層学習モデルより様々なシナリオにおいて優れており,グラフ構造推定手法はモデルの性能に寄与する。
論文 参考訳(メタデータ) (2021-09-17T05:47:17Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Demystifying Deep Learning in Predictive Spatio-Temporal Analytics: An
Information-Theoretic Framework [20.28063653485698]
ディープラーニングモデル設計と情報理論解析のための包括的なフレームワークを提供する。
まず、インタラクティブに接続された新しいディープリカレントニューラルネットワーク(I$2$DRNN)モデルを開発し、実演する。
第二に、設計モデルがPSTAタスクのマルチスケール時間依存性を学習できることを理論的に証明するために、情報理論解析を提供する。
論文 参考訳(メタデータ) (2020-09-14T10:05:14Z) - Forecast Network-Wide Traffic States for Multiple Steps Ahead: A Deep
Learning Approach Considering Dynamic Non-Local Spatial Correlation and
Non-Stationary Temporal Dependency [6.019104024723682]
本研究では,交通予測における2つの問題について検討する。(1)交通リンク間の動的・非局所的な空間的相関を捉え,(2)正確な複数ステップの予測を行うための時間依存性のダイナミクスをモデル化する。
本稿では,これらの問題に対処するため,時空間列列モデル(STSeq2Seq)というディープラーニングフレームワークを提案する。
このモデルは、時間的特徴を捉えるためにシーケンスからシーケンス(seq2seq)アーキテクチャに基づいて構築され、空間情報を集約するためのグラフ畳み込みに依存している。
論文 参考訳(メタデータ) (2020-04-06T03:40:56Z)
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。