論文の概要: Uncertainty Quantification for Traffic Forecasting: A Unified Approach
- arxiv url: http://arxiv.org/abs/2208.05875v1
- Date: Thu, 11 Aug 2022 15:21:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-12 13:30:21.789686
- Title: Uncertainty Quantification for Traffic Forecasting: A Unified Approach
- Title（参考訳）: 交通予測の不確かさの定量化:統一的アプローチ
- Authors: Weizhu Qian, Dalin Zhang, Yan Zhao, Kai Zheng, James J.Q. Yu
- Abstract要約: 不確実性は時系列予測タスクに不可欠な考慮事項である。
本研究では,交通予測の不確かさの定量化に焦点をあてる。
STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
- 参考スコア（独自算出の注目度）: 21.556559649467328
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Uncertainty is an essential consideration for time series forecasting tasks.
In this work, we specifically focus on quantifying the uncertainty of traffic
forecasting. To achieve this, we develop Deep Spatio-Temporal Uncertainty
Quantification (DeepSTUQ), which can estimate both aleatoric and epistemic
uncertainty. We first leverage a spatio-temporal model to model the complex
spatio-temporal correlations of traffic data. Subsequently, two independent
sub-neural networks maximizing the heterogeneous log-likelihood are developed
to estimate aleatoric uncertainty. For estimating epistemic uncertainty, we
combine the merits of variational inference and deep ensembling by integrating
the Monte Carlo dropout and the Adaptive Weight Averaging re-training methods,
respectively. Finally, we propose a post-processing calibration approach based
on Temperature Scaling, which improves the model's generalization ability to
estimate uncertainty. Extensive experiments are conducted on four public
datasets, and the empirical results suggest that the proposed method
outperforms state-of-the-art methods in terms of both point prediction and
uncertainty quantification.
- Abstract（参考訳）: 不確実性は時系列予測タスクに不可欠な考慮事項である。
本研究は,特に交通予測の不確かさの定量化に焦点をあてる。
これを実現するために, 深部空間不確実性定量(DeepSTUQ)を開発した。
まず,時空間モデルを用いて交通データの複雑な時空間相関をモデル化する。
その後,不均一なログ類似性を最大化する2つの独立したサブニューラルネットワークが開発され,アレエータ的不確実性が推定される。
認識的不確かさを推定するために,モンテカルロドロップアウト法と適応的重み平均再訓練法をそれぞれ統合することにより,変分推論と深部センシングの利点を組み合わせる。
最後に, 不確かさを推定するモデルの一般化能力を向上させるため, 温度スケーリングに基づく後処理校正手法を提案する。
4つの公開データセットについて広範な実験を行い,提案手法がポイント予測と不確実性定量化の両面で最先端手法を上回ることを示唆した。
関連論文リスト
- Efficient Normalized Conformal Prediction and Uncertainty Quantification
for Anti-Cancer Drug Sensitivity Prediction with Deep Regression Forests [0.0]
予測間隔で機械学習モデルをペアリングするための有望な方法として、コンフォーマル予測が登場した。
本研究では,深部回帰林から得られた分散度を算出し,各試料の不確かさを推定する手法を提案する。
論文 参考訳（メタデータ） (2024-02-21T19:09:53Z) - Conformalized Multimodal Uncertainty Regression and Reasoning [0.9205582989348333]
本稿では,マルチモーダル(不連続)不確実性境界を予測できる軽量不確実性推定器を提案する。
本稿では,空飛ぶ領域対称性などの環境特性が多モード不確実性をもたらす視覚計測(VO)への応用について論じる。
論文 参考訳（メタデータ） (2023-09-20T02:40:59Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Integrating Uncertainty into Neural Network-based Speech Enhancement [27.868722093985006]
時間周波数領域における監視されたマスキングアプローチは、ディープニューラルネットワークを使用して乗法マスクを推定し、クリーンな音声を抽出することを目的としている。
これにより、信頼性の保証や尺度を使わずに、各入力に対する単一の見積もりが導かれる。
クリーン音声推定における不確実性モデリングの利点について検討する。
論文 参考訳（メタデータ） (2023-05-15T15:55:12Z) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳（メタデータ） (2022-11-11T19:34:17Z) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳（メタデータ） (2021-11-22T08:54:10Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳（メタデータ） (2021-05-25T14:35:46Z) - The Aleatoric Uncertainty Estimation Using a Separate Formulation with
Virtual Residuals [51.71066839337174]
既存の手法では、ターゲット推定における誤差を定量化できるが、過小評価する傾向がある。
本稿では,信号とその不確かさを推定するための新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。
提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。
論文 参考訳（メタデータ） (2020-11-03T12:11:27Z)
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。