論文の概要: Large scale traffic forecasting with gradient boosting, Traffic4cast 2022 challenge

• arxiv url: http://arxiv.org/abs/2211.00157v1
• Date: Mon, 31 Oct 2022 21:52:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 14:19:46.362034
• Title: Large scale traffic forecasting with gradient boosting, Traffic4cast 2022 challenge
• Title（参考訳）: Traffic4cast 2022 Challenge による大規模トラフィック予測
• Authors: Martin Lumiste (1), Andrei Ilie (1 and 2) ((1) Bolt Technology, (2) University of Bucharest)
• Abstract要約: 我々は、IARAI Traffic4cast 2022コンペティションにソリューションを提示する。 目的は、道路グラフエッジの混雑クラスとスーパーセグメンションレベルの走行時間を予測するアルゴリズムを開発することである。 このシンプルで高速でスケーラブルなテクニックは、コアコンペで2位を獲得しました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate traffic forecasting is of the utmost importance for optimal travel planning and for efficient city mobility. IARAI (The Institute of Advanced Research in Artificial Intelligence) organizes Traffic4cast, a yearly traffic prediction competition based on real-life data [https://www.iarai.ac.at/traffic4cast/], aiming to leverage artificial intelligence advances for producing accurate traffic estimates. We present our solution to the IARAI Traffic4cast 2022 competition, in which the goal is to develop algorithms for predicting road graph edge congestion classes and supersegment-level travel times. In contrast to the previous years, this year's competition focuses on modelling graph edge level behaviour, rather than more coarse aggregated grid-based traffic movies. Due to this, we leverage a method familiar from tabular data modelling -- gradient-boosted decision tree ensembles. We reduce the dimensionality of the input data representing traffic counters with the help of the classic PCA method and feed it as input to a LightGBM model. This simple, fast, and scalable technique allowed us to win second place in the core competition. The source code and references to trained model files and submissions are available at https://github.com/skandium/t4c22 .
• Abstract（参考訳）: 交通の正確な予測は、最適な交通計画と効率的な都市移動に最も重要である。 iarai(the institute of advanced research in artificial intelligence)はtraffic4castを主催する。traffic4castは、リアルタイムデータに基づく年次トラフィック予測コンペティションである(https://www.iarai.ac.at/traffic4cast/])。 我々はiarai traffic4cast 2022のコンペティションにおいて,道路グラフエッジの渋滞クラスとスーパーセグメンテーションレベルの移動時間を予測するアルゴリズムの開発を目標としたソリューションを提案する。 前年とは対照的に、今年のコンペティションは、より粗いグリッドベースのトラフィック映画ではなく、グラフエッジレベルの振る舞いのモデリングに焦点を当てている。 このため,表型データモデリング - 勾配ブースト決定木アンサンブルによく似た手法を活用した。 我々は、従来のPCA方式を用いて、トラフィックカウンタを表す入力データの次元を小さくし、LightGBMモデルに入力として供給する。 このシンプルで高速でスケーラブルなテクニックは、コアコンペで2位を獲得しました。 トレーニング済みのモデルファイルやサブミッションへのソースコードと参照はhttps://github.com/skandium/t4c22 で公開されている。

関連論文リスト

• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• 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)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Multi-task Learning for Sparse Traffic Forecasting [13.359590890052454]
  本稿では,各道路セグメントの混雑クラスと速度を同時に予測できるマルチタスク学習ネットワークを提案する。 提案手法はTraffic4cast Competition 2022で提供されたデータセットにおいて,ソースコードをhttps://github.com/OctopusLi/NeurIPS2022-traffic4castで公開しています。
  論文  参考訳（メタデータ） (2022-11-18T02:10:40Z)
• Transposed Variational Auto-encoder with Intrinsic Feature Learning for Traffic Forecasting [23.120977536899424]
  我々は、Traffic4cast 2022のコアチャレンジと拡張チャレンジにソリューションを提示します。 この競技では、参加者は、前時間における車両カウンターデータに基づいて、将来の15分間の交通状況を予測する必要がある。 私たちのソリューションは、両方の課題において、最終リーダーボードで第1位にランクされています。
  論文  参考訳（メタデータ） (2022-10-30T13:15:19Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)
• Traffic4cast -- Large-scale Traffic Prediction using 3DResNet and Sparse-UNet [2.568084386350801]
  本研究の目的は、歴史的データポイントを用いて、複数の都市における正常化された平均交通速度とサブリージョンの流れを予測する機械学習モデルを構築することである。 本大会では3DRparseNetes と Sparse-UNet の3つの課題について検討する。 この結果から,提案モデルがベースラインアルゴリズムよりもはるかに優れた性能を示した。
  論文  参考訳（メタデータ） (2021-11-10T23:40:52Z)
• Attention Gate in Traffic Forecasting [16.153263073898746]
  交通地図映画予測チャレンジ2020は、ニューラル情報処理システムに関する第34回大会(NeurIPS)のコンペティショントラックで開催される。 作業は、ベルリン、イスタンブール、モスクワの3大都市の地理的領域で、交通量、平均速度を予測することである。 本稿では,U-Netモデルにアテンション機構を適用し,特に,コンダクションパスと拡張パスのスキップ接続にアテンションゲートを付加する。
  論文  参考訳（メタデータ） (2021-09-27T12:58:12Z)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• TLab: Traffic Map Movie Forecasting Based on HR-NET [23.40323690536007]
  私たちのソリューションでは、手作りの機能はチャネルの形でモデルに入力されます。 予測精度に関しては、NeurIPS 2020、Traffic4cast Challengeで2位を獲得しました。
  論文  参考訳（メタデータ） (2020-11-13T18:48:13Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。