Fugu-MT 論文翻訳(概要): A Novel Framework for Handling Sparse Data in Traffic Forecast

論文の概要: A Novel Framework for Handling Sparse Data in Traffic Forecast

arxiv url: http://arxiv.org/abs/2301.05292v1
Date: Thu, 12 Jan 2023 21:07:04 GMT
ステータス: 処理完了
システム内更新日: 2023-01-16 14:51:34.075961
Title: A Novel Framework for Handling Sparse Data in Traffic Forecast
Title（参考訳）: 交通予報におけるスパースデータ処理のための新しいフレームワーク
Authors: Nikolaos Zygouras and Dimitrios Gunopulos
Abstract要約: 道路毎にスパースと時間発展のトラフィックレポートを生成する。本稿では,近年の少ない交通情報を符号化し,将来的な交通状況を予測するディープラーニングフレームワークを提案する。
参考スコア（独自算出の注目度）: 1.6549126148958608
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The ever increasing amount of GPS-equipped vehicles provides in real-time valuable traffic information for the roads traversed by the moving vehicles. In this way, a set of sparse and time evolving traffic reports is generated for each road. These time series are a valuable asset in order to forecast the future traffic condition. In this paper we present a deep learning framework that encodes the sparse recent traffic information and forecasts the future traffic condition. Our framework consists of a recurrent part and a decoder. The recurrent part employs an attention mechanism that encodes the traffic reports that are available at a particular time window. The decoder is responsible to forecast the future traffic condition.
Abstract（参考訳）: gps搭載車両の増大は、移動中の車両が横断する道路の交通情報をリアルタイムで提供する。このようにして、道路毎にスパースと時間発展のトラフィックレポートが生成される。これらの時系列は将来の交通状況を予測する上で貴重な資産である。本稿では,近年の少ない交通情報をエンコードし,将来的な交通状況を予測するディープラーニングフレームワークを提案する。私たちのフレームワークは、リカレント部分とデコーダで構成されています。リカレント部分は、特定のタイムウィンドウで利用可能なトラフィックレポートをエンコードするアテンション機構を採用している。デコーダは将来の交通状況を予測する責任がある。

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)
Enhancing Traffic Flow Prediction using Outlier-Weighted AutoEncoders: Handling Real-Time Changes [0.7614628596146602]
本稿では, Outlier Weighted Autoencoder Modeling (OWAM) フレームワークを紹介する。 OWAMは、自動エンコーダを用いて局所的な異常検出を行い、近隣の交通の影響を評価するために相関スコアを生成する。この情報は、トラヒックモデルの性能を高め、効果的なリアルタイム更新をサポートする。
論文参考訳（メタデータ） (2023-12-27T14:44:58Z)
Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank [15.123457772023238]
交通パターンバンク(TPB)を用いた都市間交通予測フレームワークを提案する。 TPBは、訓練済みのトラフィックパッチエンコーダを使用して、データ豊富な都市からの生のトラフィックデータを高次元空間に投影する。隣接行列は、下流の時空間モデルで将来のトラフィックを予測するために構成される。
論文参考訳（メタデータ） (2023-08-17T13:29:57Z)
Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文参考訳（メタデータ） (2023-08-02T23:39:24Z)
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)
Multi-Vehicle Trajectory Prediction at Intersections using State and Intention Information [50.40632021583213]
道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
論文参考訳（メタデータ） (2023-01-06T15:13:23Z)
Streaming Traffic Flow Prediction Based on Continuous Reinforcement Learning [17.841952123645022]
交通流予測はスマート交通の重要な部分である。目標は、センサと交通ネットワークが記録した履歴データに基づいて、将来の交通状況を予測することである。本稿では,センサパターンを模倣する自律エージェントを指導する,シミュレーションに基づく新しい基準を提案する。
論文参考訳（メタデータ） (2022-12-24T16:34:10Z)
Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
歩行者の立ち止まりと予測の新たな課題を紹介します。都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
論文参考訳（メタデータ） (2022-03-04T18:39:31Z)
SwinUNet3D -- A Hierarchical Architecture for Deep Traffic Prediction using Shifted Window Transformers [5.414308305392762]
本稿では,UNet設定における視覚変換器の利用について検討する。 UNetのすべての畳み込みベースのビルディングブロックを完全に取り除き、エンコーダとデコーダの両方で3Dシフトトランスフォーマーを使用します。 The proposed network is test on the data on Traffic Map Movie Forecasting Challenge 2021 (Traffic4cast), held in the competition of Neural Information Processing Systems (eurIPS)。
論文参考訳（メタデータ） (2022-01-17T12:58:45Z)
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。