Fugu-MT 論文翻訳(概要): Similarity-based Feature Extraction for Large-scale Sparse Traffic Forecasting

論文の概要: Similarity-based Feature Extraction for Large-scale Sparse Traffic Forecasting

arxiv url: http://arxiv.org/abs/2211.07031v1
Date: Sun, 13 Nov 2022 22:19:21 GMT
ステータス: 処理完了
システム内更新日: 2022-11-15 19:09:54.752464
Title: Similarity-based Feature Extraction for Large-scale Sparse Traffic Forecasting
Title（参考訳）: 大規模スパース交通予測のための類似性に基づく特徴抽出
Authors: Xinhua Wu, Cheng Lyu, Qing-Long Lu, Vishal Mahajan
Abstract要約: NeurIPS 2022 Traffic4cast チャレンジは、公共に利用可能なスパースループ数データで都市全体の交通状態を予測することを目的としている。この技術報告は、ETA予測の拡張課題に対して、私たちの2位獲得ソリューションを紹介します。
参考スコア（独自算出の注目度）: 4.295541562380963
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Short-term traffic forecasting is an extensively studied topic in the field of intelligent transportation system. However, most existing forecasting systems are limited by the requirement of real-time probe vehicle data because of their formulation as a time series forecasting problem. Towards this issue, the NeurIPS 2022 Traffic4cast challenge is dedicated to predicting the citywide traffic states with publicly available sparse loop count data. This technical report introduces our second-place winning solution to the extended challenge of ETA prediction. We present a similarity-based feature extraction method using multiple nearest neighbor (NN) filters. Similarity-based features, static features, node flow features and combined features of segments are extracted for training the gradient boosting decision tree model. Experimental results on three cities (including London, Madrid and Melbourne) demonstrate the strong predictive performance of our approach, which outperforms a number of graph-neural-network-based solutions in the task of travel time estimation. The source code is available at \url{https://github.com/c-lyu/Traffic4Cast2022-TSE}.
Abstract（参考訳）: 短期交通予測はインテリジェント交通システム分野において広く研究されているトピックである。しかし,既存の予測システムの多くは,時系列予測問題として定式化されているため,リアルタイムプローブ車両データの要求によって制限されている。この問題に向けて、NeurIPS 2022 Traffic4castの課題は、公共に利用可能な疎ループ数データで都市全体の交通状態を予測することである。この技術報告は、ETA予測の拡張課題に対して、私たちの2位獲得ソリューションを紹介します。類似性に基づく特徴抽出法として,複数の隣接フィルタを用いた特徴抽出手法を提案する。勾配向上決定木モデルをトレーニングするために、類似性に基づく特徴、静的特徴、ノードフロー特徴、セグメントの複合特徴を抽出する。ロンドン, マドリード, メルボルンを含む3都市での実験結果から, 旅行時間推定の課題において, グラフ・ニューラル・ネットワーク・ベースのソリューションよりも優れた予測性能が得られた。ソースコードは \url{https://github.com/c-lyu/Traffic4Cast2022-TSE} で入手できる。

関連論文リスト

OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
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)
Unveiling Delay Effects in Traffic Forecasting: A Perspective from Spatial-Temporal Delay Differential Equations [20.174094418301245]
交通流予測は交通計画と管理の基本的な研究課題である。近年,グラフニューラルネットワーク (GNN) とリカレントニューラルネットワーク (RNN) は交通流予測のための空間的時間的相関を捉えることに成功している。 1) GNNでのメッセージパッシングは即時であり、実際には近隣ノード間の空間的メッセージインタラクションは遅延する可能性がある。
論文参考訳（メタデータ） (2024-02-02T08:55:23Z)
Spatio-Temporal Graph Neural Point Process for Traffic Congestion Event Prediction [16.530361912832763]
本稿では,交通渋滞イベント予測のための時間グラフニューラルポイントプロセスフレームワークSTNPPを提案する。提案手法は,既存の最先端手法と比較して優れた性能を実現する。
論文参考訳（メタデータ） (2023-11-15T01:22:47Z)
Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-02T17:13:16Z)
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)
An Efficient Two-stage Gradient Boosting Framework for Short-term Traffic State Estimation [4.0248751151060596]
NeurIPS 2022 Traffic4castチャレンジは、短期的なトラフィック状態推定アプローチをベンチマークするための優れたテストベッドを提供する。短時間の交通状態推定に有効な2段階勾配向上フレームワークを提案する。
論文参考訳（メタデータ） (2023-02-21T02:20:01Z)
Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
論文参考訳（メタデータ） (2021-09-01T09:52:31Z)
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)
SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文参考訳（メタデータ） (2020-07-26T08:17:10Z)
Short-Term Traffic Forecasting Using High-Resolution Traffic Data [2.0625936401496237]
本稿では,高分解能(イベントベース)トラフィックデータを用いた交通予測のためのデータ駆動ツールキットを開発した。提案手法は,アラブ首長国連邦アブダビの現実世界の交通ネットワークから得られた高分解能データを用いて検証した。
論文参考訳（メタデータ） (2020-06-22T14:26:19Z)

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。