論文の概要: Traffic Flow Prediction via Variational Bayesian Inference-based Encoder-Decoder Framework

• arxiv url: http://arxiv.org/abs/2212.07194v1
• Date: Wed, 14 Dec 2022 12:39:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 17:54:57.471572
• Title: Traffic Flow Prediction via Variational Bayesian Inference-based Encoder-Decoder Framework
• Title（参考訳）: 変分ベイズ推論に基づくエンコーダ・デコーダフレームワークによるトラヒックフロー予測
• Authors: Jianlei Kong, Xiaomeng Fan, Xue-Bo Jin, and Min Zuo
• Abstract要約: 本稿では,変分ベイズ推定に基づくディープエンコーダ・デコーダ予測フレームワークを提案する。 ベイズニューラルネットワークは、変分推論とゲートリカレントユニット(GRU)を組み合わせて構築され、エンコーダ・デコーダフレームワークのディープニューラルネットワークユニットとして使用される。 提案手法は, 広州市の都市交通フローデータセットにおいて, ベンチマークよりも優れた予測性能を実現する。
• 参考スコア（独自算出の注目度）: 1.181206257787103
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate traffic flow prediction, a hotspot for intelligent transportation research, is the prerequisite for mastering traffic and making travel plans. The speed of traffic flow can be affected by roads condition, weather, holidays, etc. Furthermore, the sensors to catch the information about traffic flow will be interfered with by environmental factors such as illumination, collection time, occlusion, etc. Therefore, the traffic flow in the practical transportation system is complicated, uncertain, and challenging to predict accurately. This paper proposes a deep encoder-decoder prediction framework based on variational Bayesian inference. A Bayesian neural network is constructed by combining variational inference with gated recurrent units (GRU) and used as the deep neural network unit of the encoder-decoder framework to mine the intrinsic dynamics of traffic flow. Then, the variational inference is introduced into the multi-head attention mechanism to avoid noise-induced deterioration of prediction accuracy. The proposed model achieves superior prediction performance on the Guangzhou urban traffic flow dataset over the benchmarks, particularly when the long-term prediction.
• Abstract（参考訳）: インテリジェント交通研究のホットスポットである正確な交通流予測は、交通をマスターし、旅行計画を作成するための前提条件である。 交通流の速度は、道路の状態、天候、休日などに影響される可能性がある。 さらに、交通の流れに関する情報を取得するセンサは、照明、収集時間、閉塞などの環境要因によって妨害される。 そのため,現実的な交通システムにおける交通の流れは複雑で,不確実であり,正確な予測が困難である。 本稿では,変分ベイズ推定に基づくディープエンコーダ・デコーダ予測フレームワークを提案する。 ベイズニューラルネットワークは、変分推論とゲートリカレントユニット(GRU)を組み合わせて構築され、エンコーダ・デコーダフレームワークのディープニューラルネットワークユニットとして使用され、トラフィックフローの本質的なダイナミクスをマイニングする。 そして、マルチヘッドアテンション機構に変動推論を導入し、ノイズによる予測精度の低下を回避する。 提案モデルでは,特に長期予測において,広州都市交通流データセットの予測性能が向上している。

関連論文リスト

• 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)
• A Multi-Channel Spatial-Temporal Transformer Model for Traffic Flow Forecasting [0.0]
  交通流予測のための多チャンネル時空間変圧器モデルを提案する。 トラフィックデータの異なるチャネルから結果を抽出することにより、予測の精度を向上させる。 6つの実世界のデータセットの実験結果から,時間モデルにマルチチャネル機構を導入することにより,性能が向上することが示された。
  論文  参考訳（メタデータ） (2024-05-10T06:37:07Z)
• ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction [47.17205142864036]
  ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。 ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
  論文  参考訳（メタデータ） (2024-04-22T03:35:19Z)
• Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
  不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。 複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。 モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
  論文  参考訳（メタデータ） (2023-08-11T13:35:52Z)
• A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic Flow Forecasting [21.6456624219159]
  トラフィックフロー予測における重要な課題は、毎日のサイクルと毎週のサイクルの間の時間的ピークの緩やかなシフトである。 本稿では,2つの部分を含む交通流予測のためのスローシフト型機械学習手法を提案する。 提案手法は,ルート平均二乗誤差と平均絶対パーセンテージ誤差を用いて,最先端の結果を14.55%,62.56%向上させる。
  論文  参考訳（メタデータ） (2023-03-31T03:07:53Z)
• 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)
• Traffic Volume Prediction using Memory-Based Recurrent Neural Networks: A comparative analysis of LSTM and GRU [5.320087179174425]
  我々は、リアルタイムにトラフィック量を予測するための非線形メモリベースディープニューラルネットワークモデルを開発した。 本実験は,高ダイナミックかつ異種交通環境における交通量予測における提案モデルの有効性を実証するものである。
  論文  参考訳（メタデータ） (2023-03-22T15:25:07Z)
• 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)
• 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)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)

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。