論文の概要: Transposed Variational Auto-encoder with Intrinsic Feature Learning for Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2211.00641v1
• Date: Sun, 30 Oct 2022 13:15:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 12:28:01.670215
• Title: Transposed Variational Auto-encoder with Intrinsic Feature Learning for Traffic Forecasting
• Title（参考訳）: 交通予知のための固有特徴学習を用いた変分オートエンコーダ
• Authors: Leyan Deng, Chenwang Wu, Defu Lian, Min Zhou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 23.120977536899424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this technical report, we present our solutions to the Traffic4cast 2022 core challenge and extended challenge. In this competition, the participants are required to predict the traffic states for the future 15-minute based on the vehicle counter data in the previous hour. Compared to other competitions in the same series, this year focuses on the prediction of different data sources and sparse vertex-to-edge generalization. To address these issues, we introduce the Transposed Variational Auto-encoder (TVAE) model to reconstruct the missing data and Graph Attention Networks (GAT) to strengthen the correlations between learned representations. We further apply feature selection to learn traffic patterns from diverse but easily available data. Our solutions have ranked first in both challenges on the final leaderboard. The source code is available at \url{https://github.com/Daftstone/Traffic4cast}
• Abstract（参考訳）: 本稿では,Traffic4cast 2022のコアチャレンジと拡張チャレンジに対するソリューションを提案する。 このコンペティションでは、参加者は前時間における車両カウンタデータに基づいて、将来の15分間の交通状況を予測する必要がある。 同じシリーズの他の競合と比較すると、今年は異なるデータソースの予測とスパースな頂点からエッジへの一般化に焦点を当てている。 これらの問題に対処するため,Transposed Variational Auto-Encoder(TVAE)モデルを導入し,不足したデータとグラフ注意ネットワーク(GAT)を再構築し,学習表現間の相関性を強化する。 さらに,多様だが容易に利用可能なデータからトラフィックパターンを学ぶために,機能選択を適用する。 私たちのソリューションは、両方の課題で最終リーダーボードにランクインしました。 ソースコードは \url{https://github.com/Daftstone/Traffic4cast} で入手できる。

関連論文リスト

• UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction [93.77809355002591]
  さまざまなデータセット、モデル、評価基準を統一する包括的なフレームワークであるUniTrajを紹介する。 我々は広範な実験を行い、他のデータセットに転送するとモデルの性能が大幅に低下することがわかった。 これらの知見を説明するために,データセットの特徴に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-03-22T10:36:50Z)
• T4P: Test-Time Training of Trajectory Prediction via Masked Autoencoder and Actor-specific Token Memory [39.021321011792786]
  軌道予測は、複数のアクター間の相互作用を考慮することを必要とする難しい問題である。 データ駆動型アプローチは、この複雑な問題に対処するために使われてきたが、テスト期間中に分散シフトの下では信頼性の低い予測に悩まされている。 本研究では,観測データから回帰損失を用いたオンライン学習手法を提案する。 提案手法は,予測精度と計算効率の両方の観点から,既存の最先端オンライン学習手法の性能を超越した手法である。
  論文  参考訳（メタデータ） (2024-03-15T06:47:14Z)
• 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)
• HUTFormer: Hierarchical U-Net Transformer for Long-Term Traffic Forecasting [13.49661832917228]
  我々は,例えば1日間の予測など,長期の交通予測を探求する最初の試みを行っている。 本稿では,長期交通予測の問題に対処する新しい階層型U-netトランスフォーマーを提案する。 提案したHUTFormerは、最先端のトラフィック予測と長時間の時系列予測ベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2023-07-27T02:43:21Z)
• Large scale traffic forecasting with gradient boosting, Traffic4cast 2022 challenge [0.0]
  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。
  論文  参考訳（メタデータ） (2022-10-31T21:52:19Z)
• Traffic4cast at NeurIPS 2021 -- Temporal and Spatial Few-Shot Transfer Learning in Gridded Geo-Spatial Processes [61.16854022482186]
  NeurIPS 2019と2020のIARAI Traffic4castコンペティションでは、ニューラルネットワークが将来の交通条件を1時間以内に予測することに成功した。 U-Netsは、この複雑な現実世界の地理空間的プロセスにおいて、関連する特徴を抽出する能力を実証し、勝利したアーキテクチャであることが証明された。 コンペティションは2年間で10都市をカバーし、1012以上のGPSプローブデータから収集したデータを提供する。
  論文  参考訳（メタデータ） (2022-03-31T14:40:01Z)
• Solving Traffic4Cast Competition with U-Net and Temporal Domain Adaptation [0.0]
  我々は、Traffic4Cast 2021 Core Challengeにソリューションを提示する。 この課題は、新型コロナウイルスのパンデミックによるトラフィックの時間的ドメインシフトに焦点を当てている。 我々の解決策は決勝戦で3位になった。
  論文  参考訳（メタデータ） (2021-11-05T11:49:52Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• Deep Representation Learning and Clustering of Traffic Scenarios [0.0]
  トラフィックシーンの遅延表現を学習する2つのデータ駆動自動符号化モデルを導入する。 本稿では,遅延シナリオの埋め込みがトラフィックシナリオのクラスタリングや類似性検索にどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2020-07-15T15:12:23Z)
• Understanding Road Layout from Videos as a Whole [82.30800791500869]
  我々はこれをトップビューの道路属性予測問題として定式化し、その目的は各フレームの属性を正確かつ一貫して予測することである。 我々は、ビデオにおけるカメラモーションの活用と、長期ビデオ情報の導入という3つの新しい側面を生かした。
  論文  参考訳（メタデータ） (2020-07-02T00:59:15Z)

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。