Fugu-MT 論文翻訳(概要): Multi-task Learning for Sparse Traffic Forecasting

論文の概要: Multi-task Learning for Sparse Traffic Forecasting

arxiv url: http://arxiv.org/abs/2211.09984v1
Date: Fri, 18 Nov 2022 02:10:40 GMT
ステータス: 処理完了
システム内更新日: 2022-11-21 15:27:59.244732
Title: Multi-task Learning for Sparse Traffic Forecasting
Title（参考訳）: スパーストラヒック予測のためのマルチタスク学習
Authors: Jiezhang Li, Junjun Li, Yue-Jiao Gong
Abstract要約: 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。
参考スコア（独自算出の注目度）: 13.359590890052454
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate traffic prediction is crucial to improve the performance of intelligent transportation systems. Previous traffic prediction tasks mainly focus on small and non-isolated traffic subsystems, while the Traffic4cast 2022 competition is dedicated to exploring the traffic state dynamics of entire cities. Given one hour of sparse loop count data only, the task is to predict the congestion classes for all road segments and the expected times of arrival along super-segments 15 minutes into the future. The sparsity of loop counter data and highly uncertain real-time traffic conditions make the competition challenging. For this reason, we propose a multi-task learning network that can simultaneously predict the congestion classes and the speed of each road segment. Specifically, we use clustering and neural network methods to learn the dynamic features of loop counter data. Then, we construct a graph with road segments as nodes and capture the spatial dependence between road segments based on a Graph Neural Network. Finally, we learn three measures, namely the congestion class, the speed value and the volume class, simultaneously through a multi-task learning module. For the extended competition, we use the predicted speeds to calculate the expected times of arrival along super-segments. Our method achieved excellent results on the dataset provided by the Traffic4cast Competition 2022, source code is available at https://github.com/OctopusLi/NeurIPS2022-traffic4cast.
Abstract（参考訳）: インテリジェント交通システムの性能向上には,正確な交通予測が不可欠である。従来の交通予測タスクは、主に小規模で非孤立的な交通サブシステムに焦点を当てており、Traffic4cast 2022コンペティションは、都市全体の交通状態のダイナミクスを探求することを目的としている。 1時間分のループカウントデータのみを与えられたタスクは、すべての道路セグメントの混雑クラスと、スーパーセグメンションに沿った到着予定時刻を15分後に予測することである。ループカウンタデータと高度に不確実なリアルタイム交通条件が、競争を困難にしている。そこで本研究では,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。具体的には,クラスタリングとニューラルネットワークを用いて,ループカウンタデータの動的特徴を学習する。そこで我々は,道路セグメントをノードとするグラフを構築し,グラフニューラルネットワークを用いて道路セグメント間の空間的依存を捉える。最後に,マルチタスク学習モジュールを用いて,渋滞クラス,速度値,ボリュームクラスという3つの尺度を同時に学習する。競争を拡大するためには、予測速度を用いてスーパーセグメンションに沿って到着する待ち時間を計算する。 traffic4cast competition 2022の提供するデータセットで優れた結果を得た。ソースコードはhttps://github.com/octopusli/neurips2022-traffic4castで利用可能である。

関連論文リスト

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)
TraffNet: Learning Causality of Traffic Generation for What-if Prediction [4.604622556490027]
インテリジェントなトラフィック管理と制御における意思決定には,リアルタイムなトラフィック予測が不可欠だ。本稿では,トラフィック生成のメカニズムを事前に学習するTraffNetという単純なディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2023-03-28T13:12:17Z)
Traffic4cast at NeurIPS 2022 -- Predict Dynamics along Graph Edges from Sparse Node Data: Whole City Traffic and ETA from Stationary Vehicle Detectors [25.857884532427292]
Traffic4castは、複雑な空間システムを時間とともにモデル化するための機械学習を進化させるコンペティションシリーズである。われわれのダイナミックな道路グラフデータは、道路地図、1012ドルのプローブデータポイント、そして2年間にわたって3つの都市で静止車両検出器からの情報を組み合わせている。その中核となる課題として,3都市15分後の道路グラフ全体のGPSデータの速度レベルから,3つの渋滞クラスが生じる可能性を予測することが挙げられる。課題の延長として、参加者は15分以内のスーパーセグメントの平均走行時間を予測することが義務付けられている。
論文参考訳（メタデータ） (2023-03-14T10:03:37Z)
PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文参考訳（メタデータ） (2023-01-19T08:42:40Z)
Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文参考訳（メタデータ） (2022-10-21T07:25:57Z)
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)
Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。提案手法は,高品質なトラフィックフローマップを作成できる。
論文参考訳（メタデータ） (2021-09-29T07:51:49Z)
Feature Engineering for Data-driven Traffic State Forecast in Urban Road Networks [1.370633147306388]
長期的な予測では、より遠いリンクやネットワークの領域のトラフィック状態は、データ駆動アルゴリズムに貴重な情報を提供すると期待されている。本稿では,大規模な車両群が収集したクラスタリングネットワークアルゴリズムとFCD(Floating Car)の1年間の期待について検討する。
論文参考訳（メタデータ） (2020-09-17T15:03:33Z)
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)
PCNN: Deep Convolutional Networks for Short-term Traffic Congestion Prediction [16.010576606023417]
そこで我々は,PCNNという新しい手法を提案し,短期交通渋滞予測のための周期的トラフィックデータをモデル化する。 PCNNには時系列の折り畳みと多粒度学習という2つの重要な手順がある。実世界の都市交通データセットの実験結果から,二次元行列への時系列データの折り畳みが有効であることが確認された。
論文参考訳（メタデータ） (2020-03-16T05:36:58Z)

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。