論文の概要: DuETA: Traffic Congestion Propagation Pattern Modeling via Efficient Graph Learning for ETA Prediction at Baidu Maps

• arxiv url: http://arxiv.org/abs/2208.06979v1
• Date: Mon, 15 Aug 2022 02:46:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-16 13:28:17.037515
• Title: DuETA: Traffic Congestion Propagation Pattern Modeling via Efficient Graph Learning for ETA Prediction at Baidu Maps
• Title（参考訳）: DuETA: Baidu MapsにおけるETA予測のための効率的なグラフ学習による交通渋滞伝播パターンモデリング
• Authors: Jizhou Huang, Zhengjie Huang, Xiaomin Fang, Shikun Feng, Xuyi Chen, Jiaxiang Liu, Haitao Yuan, Haifeng Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 33.16286526517814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimated time of arrival (ETA) prediction, also known as travel time estimation, is a fundamental task for a wide range of intelligent transportation applications, such as navigation, route planning, and ride-hailing services. To accurately predict the travel time of a route, it is essential to take into account both contextual and predictive factors, such as spatial-temporal interaction, driving behavior, and traffic congestion propagation inference. The ETA prediction models previously deployed at Baidu Maps have addressed the factors of spatial-temporal interaction (ConSTGAT) and driving behavior (SSML). In this work, we focus on modeling traffic congestion propagation patterns to improve ETA performance. Traffic congestion propagation pattern modeling is challenging, and it requires accounting for impact regions over time and cumulative effect of delay variations over time caused by traffic events on the road network. In this paper, we present a practical industrial-grade ETA prediction framework named DuETA. Specifically, we construct a congestion-sensitive graph based on the correlations of traffic patterns, and we develop a route-aware graph transformer to directly learn the long-distance correlations of the road segments. This design enables DuETA to capture the interactions between the road segment pairs that are spatially distant but highly correlated with traffic conditions. Extensive experiments are conducted on large-scale, real-world datasets collected from Baidu Maps. Experimental results show that ETA prediction can significantly benefit from the learned traffic congestion propagation patterns. In addition, DuETA has already been deployed in production at Baidu Maps, serving billions of requests every day. This demonstrates that DuETA is an industrial-grade and robust solution for large-scale ETA prediction services.
• Abstract（参考訳）: 到着推定時刻(eta)予測(英: estimated time of arrival, eta)は、航法、ルート計画、配車サービスなど、幅広いインテリジェントな輸送アプリケーションのための基本的なタスクである。 経路の走行時間を正確に予測するには,空間的-時間的相互作用,運転行動,交通渋滞伝播推定といった文脈的・予測的要因を考慮に入れることが不可欠である。 これまでBaidu MapsにデプロイされていたETA予測モデルは、空間的時間的相互作用(ConSTGAT)と運転行動(SSML)の要因に対処してきた。 本研究では,交通渋滞伝播パターンのモデル化に焦点をあて,ETA性能の向上を図る。 交通渋滞伝播パターンのモデル化は困難であり,道路ネットワーク上での交通事象による遅延変動の累積効果と時間的影響を考慮に入れる必要がある。 本稿では,DuETAという産業レベルの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に基づく混雑感グラフを構築し,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。 この設計により、DuETAは空間的に距離があるが交通条件と非常に相関している道路セグメント間の相互作用を捉えることができる。 baiduマップから収集した大規模実世界のデータセットに関する広範な実験が行われている。 実験の結果,eta予測は,学習した交通渋滞伝播パターンに有益であることがわかった。 加えて、DuETAはすでにBaidu Mapsで実運用環境にデプロイされており、毎日何十億ものリクエストを処理している。 このことは、DuETAが大規模ETA予測サービスの産業グレードで堅牢なソリューションであることを示している。

関連論文リスト

• ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction [47.17205142864036]
  ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。 ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
  論文  参考訳（メタデータ） (2024-04-22T03:35:19Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
  本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。 実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
  論文  参考訳（メタデータ） (2022-07-21T10:19:07Z)
• TLETA: Deep Transfer Learning and Integrated Cellular Knowledge for Estimated Time of Arrival Prediction [6.125017875330933]
  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。
  論文  参考訳（メタデータ） (2022-06-17T02:20:44Z)
• 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)
• Multistep traffic speed prediction: A deep learning based approach using latent space mapping considering spatio-temporal dependencies [2.3204178451683264]
  ITSは、過去のトラフィックデータと現在のトラフィックデータに基づいて、複数の時間ステップで正確なトラフィック予測を提供する、信頼性の高いトラフィック予測を必要とする。 深層学習に基づくアプローチは,空間的依存と時間的依存の両方を用いて開発されている。 提案手法は,最小誤差の60分前予測においても,正確な交通予測結果を提供することがわかった。
  論文  参考訳（メタデータ） (2021-11-03T10:17:48Z)
• ETA Prediction with Graph Neural Networks in Google Maps [31.15613437646153]
  我々は,Google Mapsで本番環境に投入した到着時刻(ETA)を推定するためのグラフニューラルネットワーク推定器を提案する。 我々のGNNは、デプロイ時に強力であることが分かり、以前の生産ベースラインと比較して、いくつかのリージョンでのETA結果が大幅に減少した。
  論文  参考訳（メタデータ） (2021-08-25T21:28:54Z)
• 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)
• 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)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。