論文の概要: Attention-LSTM for Multivariate Traffic State Prediction on Rural Roads
- arxiv url: http://arxiv.org/abs/2301.02731v1
- Date: Fri, 6 Jan 2023 22:23:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 17:28:29.625820
- Title: Attention-LSTM for Multivariate Traffic State Prediction on Rural Roads
- Title（参考訳）: 農村道路における多変量交通状態予測のための注意-LSTM
- Authors: Elahe Sherafat and Bilal Farooq and Amir Hossein Karbasi and
Seyedehsan Seyedabrishami
- Abstract要約: 交通量と速度を同時に予測するために,注意に基づくLong Sort-Term Memory Model (A-LSTM)を提案する。
本研究では,A-LSTMモデルとLong Short-Term Memory (LSTM)モデルを比較した。
- 参考スコア（独自算出の注目度）: 5.259027520298188
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate traffic volume and speed prediction have a wide range of
applications in transportation. It can result in useful and timely information
for both travellers and transportation decision-makers. In this study, an
Attention based Long Sort-Term Memory model (A-LSTM) is proposed to
simultaneously predict traffic volume and speed in a critical rural road
segmentation which connects Tehran to Chalus, the most tourist destination city
in Iran. Moreover, this study compares the results of the A-LSTM model with the
Long Short-Term Memory (LSTM) model. Both models show acceptable performance in
predicting speed and flow. However, the A-LSTM model outperforms the LSTM in 5
and 15-minute intervals. In contrast, there is no meaningful difference between
the two models for the 30-minute time interval. By comparing the performance of
the models based on different time horizons, the 15-minute horizon model
outperforms the others by reaching the lowest Mean Square Error (MSE) loss of
0.0032, followed by the 30 and 5-minutes horizons with 0.004 and 0.0051,
respectively. In addition, this study compares the results of the models based
on two transformations of temporal categorical input variables, one-hot or
cyclic, for the 15-minute time interval. The results demonstrate that both LSTM
and A-LSTM with cyclic feature encoding outperform those with one-hot feature
encoding.
- Abstract（参考訳）: 正確な交通量と速度予測は、輸送に幅広い応用がある。
旅行者と交通機関の意思決定者の両方にとって有用かつタイムリーな情報が得られる。
本研究では,イラン最大の観光地都市チャルスとテヘランを結ぶ重要な農村道路セグメントにおいて,交通量と速度を同時に予測するために,注意に基づく長期記憶モデル(A-LSTM)を提案する。
さらに,A-LSTMモデルとLong Short-Term Memory(LSTM)モデルとの比較を行った。
どちらのモデルも速度と流れを予測できる性能を示している。
しかし、A-LSTMモデルはLSTMを5分15分間隔で上回る。
対照的に、30分間の間隔で2つのモデルの間に有意な差はない。
異なる時間地平線に基づくモデルの性能を比較することにより、15分間の地平線モデルは最低平均角誤差(MSE)が0.0032に達し、続いて30分間と5分間の地平線が0.004と0.0051である。
さらに,15分間の時間間隔において,時間的カテゴリの入力変数である 1-hot または cyclic の 2 つの変換に基づくモデルの結果を比較した。
その結果, 周期的特徴符号化によるLSTMとA-LSTMは, 単孔的特徴符号化よりも優れていた。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。
近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。
我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文 参考訳（メタデータ） (2024-10-28T09:19:29Z) - Prediction of Time and Distance of Trips Using Explainable
Attention-based LSTMs [6.07913759162059]
本研究では,将来の走行時間と走行可能な距離を予測するための機械学習ソリューションを提案する。
我々は、旅行時間と距離の多次元履歴データを同時に扱うように設計された、長期記憶(LSTM)に基づく構造を用いる。
提案手法のうち、最も先進的なAt-LSTMは次の旅行距離と時刻を3.99%の誤差で予測する。
論文 参考訳（メタデータ） (2023-03-27T10:54:32Z) - GC-GRU-N for Traffic Prediction using Loop Detector Data [5.735035463793008]
シアトルのループ検出器のデータを15分以上収集し、その問題を時空で再現する。
モデルは、最速の推論時間と非常に近いパフォーマンスで第2位(トランスフォーマー)。
論文 参考訳（メタデータ） (2022-11-13T06:32:28Z) - End-to-end LSTM based estimation of volcano event epicenter localization [55.60116686945561]
火山イベントの局所化問題に対処するために, エンドツーエンドのLSTMスキームを提案する。
LSTMは、時間変化の信号のダイナミクスを捉えることができるため、選択された。
その結果、LSTMベースのアーキテクチャは成功率、すなわち1.0Km未満のエラーが48.5%に等しいことを示した。
論文 参考訳（メタデータ） (2021-10-27T17:11:33Z) - Rainfall-Runoff Prediction at Multiple Timescales with a Single Long
Short-Term Memory Network [41.33870234564485]
長期記憶ネットワーク(Long Short-Term Memory Networks, LSTMs)は, 日常の放電予測に顕著な成功を収めている。
しかし、多くの現実的なシナリオはより粒度の細かい時間スケールで予測を必要とする。
本研究では,一つのモデル内で複数の時間スケールを共同で予測する2つのMulti-Timescale LSTMアーキテクチャを提案する。
これらのモデルを米国大陸の516の流域でテストし、米国水モデルに対するベンチマークを行った。
論文 参考訳（メタデータ） (2020-10-15T17:52:16Z) - Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。
我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。
本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文 参考訳（メタデータ） (2020-07-10T16:00:44Z) - Time Series Analysis and Forecasting of COVID-19 Cases Using LSTM and
ARIMA Models [4.56877715768796]
世界保健機関(WHO)が世界的な公衆衛生危機を宣言している。
本研究では,いくつかのLong Short-Term Memory(LSTM)モデルとAuto-Regressive Integrated Integrated Average(ARIMA)モデルを用いて,新型コロナウイルス感染者数の予測を行った。
論文 参考訳（メタデータ） (2020-06-05T20:07:48Z) - Distributed Fine-Grained Traffic Speed Prediction for Large-Scale
Transportation Networks based on Automatic LSTM Customization and Sharing [0.27528170226206433]
DistPreは、大規模交通ネットワークのための分散きめ細かな交通速度予測スキームである。
D DistPreは、大規模な交通ネットワークにおいて、時間効率のLSTMカスタマイズと正確な交通速度予測を提供する。
論文 参考訳（メタデータ） (2020-05-10T21:24:23Z) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳（メタデータ） (2020-03-16T03:43:59Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z)
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。