論文の概要: Residual Correction in Real-Time Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2209.05406v1
• Date: Mon, 12 Sep 2022 16:57:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-13 13:45:12.449341
• Title: Residual Correction in Real-Time Traffic Forecasting
• Title（参考訳）: リアルタイム交通予測における残差補正
• Authors: Daejin Kim, Youngin Cho, Dongmin Kim, Cheonbok Park, Jaegul Choo
• Abstract要約: ディープラーニングベースのトラフィック予測モデルは、主にイベント状況において、特定のパターンで失敗する。 本稿では,交通予測のための残差推定モジュールResCALを紹介する。 我々のResCALは、過去のエラーとグラフ信号を用いて将来のエラーを推定することにより、既存のモデルの予測をリアルタイムで調整する。
• 参考スコア（独自算出の注目度）: 29.93640276427495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting traffic conditions is tremendously challenging since every road is highly dependent on each other, both spatially and temporally. Recently, to capture this spatial and temporal dependency, specially designed architectures such as graph convolutional networks and temporal convolutional networks have been introduced. While there has been remarkable progress in traffic forecasting, we found that deep-learning-based traffic forecasting models still fail in certain patterns, mainly in event situations (e.g., rapid speed drops). Although it is commonly accepted that these failures are due to unpredictable noise, we found that these failures can be corrected by considering previous failures. Specifically, we observe autocorrelated errors in these failures, which indicates that some predictable information remains. In this study, to capture the correlation of errors, we introduce ResCAL, a residual estimation module for traffic forecasting, as a widely applicable add-on module to existing traffic forecasting models. Our ResCAL calibrates the prediction of the existing models in real time by estimating future errors using previous errors and graph signals. Extensive experiments on METR-LA and PEMS-BAY demonstrate that our ResCAL can correctly capture the correlation of errors and correct the failures of various traffic forecasting models in event situations.
• Abstract（参考訳）: 全ての道路が空間的にも時間的にも互いに大きく依存しているため、交通状況の予測は非常に難しい。 近年,この空間的・時間的依存を捉えるために,グラフ畳み込みネットワークや時間畳み込みネットワークなどの特別設計アーキテクチャが導入されている。 交通予測の進歩は目覚ましいが、ディープラーニングベースの交通予測モデルは、主にイベント状況(高速な速度低下など)において、特定のパターンではまだ失敗している。 これらの故障は予測不能な騒音によるものであると一般的に受け入れられているが、過去の故障を考慮して修正できることが判明した。 具体的には、これらの故障における自己相関エラーを観察し、予測可能な情報が残っていることを示す。 本研究では,トラヒック予測のための残差推定モジュールであるrescalを,既存のトラヒック予測モデルに広く適用可能なアドオンモジュールとして導入する。 過去の誤差とグラフ信号を用いて将来の誤差を推定することにより,既存モデルの予測をリアルタイムにコーディネートする。 metr-la と pems-bay の広範な実験により,我々は誤りの相関を正確に把握し,イベント状況における各種交通予測モデルの故障を補正できることを示した。

関連論文リスト

• Causally-Aware Spatio-Temporal Multi-Graph Convolution Network for Accurate and Reliable Traffic Prediction [5.200012764049096]
  本研究は,高精度かつ信頼性の高い予測を行うための高度な深層学習モデルを実証するために,時間的問題-トラヒック予測の事例に焦点を当てた。 本稿では,3つの主要コンポーネントを有効活用し,高精度かつ信頼性の高いトラフィック予測を行う,エンドツーエンドのトラフィック予測フレームワークを提案する。 2つの実世界の交通データセットの実験結果から,この手法は予測精度においていくつかの最先端モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-23T14:35:54Z)
• 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)
• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• A Comparative Study of Loss Functions: Traffic Predictions in Regular and Congestion Scenarios [0.0]
  本稿では、重み解析と不均衡な分類問題から着想を得た種々の損失関数を探索し、この問題に対処する。 平均絶対誤差(MAE)を最適化する場合,MAE-Focal Loss関数が最も有効であることがわかった。 本研究は,混雑による急激な速度変化を予測する深層学習モデルの能力を高める。
  論文  参考訳（メタデータ） (2023-08-29T17:44:02Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)
• Robustness Benchmark of Road User Trajectory Prediction Models for Automated Driving [0.0]
  車両内のモデル展開中に観測される機能不全をシミュレートする摂動に対して、機械学習モデルをベンチマークする。 同様の摂動を持つモデルのトレーニングは、パフォーマンスの劣化を効果的に低減し、エラーは+87.5%まで増加する。 効果的な緩和戦略であるにもかかわらず、トレーニング中の摂動によるデータ拡張は、予期せぬ摂動に対する堅牢性を保証するものではない、と我々は主張する。
  論文  参考訳（メタデータ） (2023-04-04T15:47:42Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• WaveBound: Dynamic Error Bounds for Stable Time Series Forecasting [30.692056599222926]
  時系列予測は、現実の応用において高い実用性のために重要な課題となっている。 最近のディープラーニングベースのアプローチは、時系列予測において顕著な成功を収めている。 深層ネットワークはいまだに不安定なトレーニングと過度な適合に悩まされている。
  論文  参考訳（メタデータ） (2022-10-25T19:58:02Z)
• Time Series Forecasting Models Copy the Past: How to Mitigate [24.397660153755997]
  ノイズや不確実性の存在下では、ニューラルネットワークモデルは時系列の最後の観測値を複製する傾向がある。 本稿では、以前に見られた値の複製を罰する正規化項を提案する。 以上の結果から, 正規化という用語は, 上記の問題をある程度緩和し, より堅牢なモデルがもたらされることが示唆された。
  論文  参考訳（メタデータ） (2022-07-27T10:39:00Z)
• A Universal Error Measure for Input Predictions Applied to Online Graph Problems [57.58926849872494]
  本稿では,入力予測における誤差の定量化のための新しい尺度を提案する。 この尺度は、予測されていない要求と予測されていない実際の要求によるエラーをキャプチャする。
  論文  参考訳（メタデータ） (2022-05-25T15:24:03Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)

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。