Fugu-MT 論文翻訳(概要): HTTE: A Hybrid Technique For Travel Time Estimation In Sparse Data Environments

論文の概要: HTTE: A Hybrid Technique For Travel Time Estimation In Sparse Data Environments

arxiv url: http://arxiv.org/abs/2301.05293v1
Date: Thu, 12 Jan 2023 21:07:14 GMT
ステータス: 処理完了
システム内更新日: 2023-01-16 15:02:40.054239
Title: HTTE: A Hybrid Technique For Travel Time Estimation In Sparse Data Environments
Title（参考訳）: HTTE:スパースデータ環境における旅行時間推定のためのハイブリッド手法
Authors: Nikolaos Zygouras, Nikolaos Panagiotou, Yang Li, Dimitrios Gunopulos and Leonidas Guibas
Abstract要約: 本稿では, 歴史的, 希少な実時間軌道データを利用した旅行時間推定のための新しいハイブリッドアルゴリズムを提案する。経路と出発時刻が与えられた場合、各道路区間間の履歴情報、実時間軌跡データ、相関を考慮に入れた旅行時間を推定する。
参考スコア（独自算出の注目度）: 4.711557349742932
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Travel time estimation is a critical task, useful to many urban applications at the individual citizen and the stakeholder level. This paper presents a novel hybrid algorithm for travel time estimation that leverages historical and sparse real-time trajectory data. Given a path and a departure time we estimate the travel time taking into account the historical information, the real-time trajectory data and the correlations among different road segments. We detect similar road segments using historical trajectories, and use a latent representation to model the similarities. Our experimental evaluation demonstrates the effectiveness of our approach.
Abstract（参考訳）: 旅行時間の推定は重要なタスクであり、個々の市民と利害関係者レベルで多くの都市アプリケーションに役立つ。本稿では,過去およびスパースな実時間軌跡データを活用した旅行時間推定のための新しいハイブリッドアルゴリズムを提案する。経路と出発時刻を考慮し,歴史情報,実時間軌道データ,道路区間間の相関を考慮した走行時間の推定を行う。過去の軌跡から類似した道路区間を検出し,類似性をモデル化するために潜在表現を用いる。提案手法の有効性を実験的に評価した。

関連論文リスト

Link Representation Learning for Probabilistic Travel Time Estimation [21.092166159353702]
本稿では,ガウス階層モデルを用いた旅行レベルのリンク旅行時間をモデル化する。その結果、最先端の決定論的および確率論的ベースラインと比較して優れた性能を示した。学習したリンク表現はネットワークの物理幾何学とよく一致し、他のアプリケーションに対する入力として適していることがわかった。
論文参考訳（メタデータ） (2024-07-08T13:01:53Z)
HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
HPNetは、新しい動的軌道予測手法である。逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
論文参考訳（メタデータ） (2024-04-09T14:42:31Z)
Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文参考訳（メタデータ） (2024-03-21T05:57:27Z)
Contextual Stochastic Vehicle Routing with Time Windows [47.91283991228738]
本研究は,車両経路問題に時間窓 (VRPTW) と走行時間を用いて検討する。観測された特徴に照らし合わせて,輸送コストと到着遅れの罰則を最小化する,文脈的VRPTWを導入する。本稿では,歴史データを用いた新しいデータ駆動規範モデルを提案する。
論文参考訳（メタデータ） (2024-02-10T14:56:36Z)
Multitask Weakly Supervised Learning for Origin Destination Travel Time Estimation [8.531695291898815]
本論文は,道路網とOD旅行時間とを組み合わせて推定し始める。現在の経路の共発生確率を最大化する新たな経路回復関数が提案されている。我々は、Xi'anとChengduで、幅広い現実世界のタクシーのデータセットの実験を行っている。
論文参考訳（メタデータ） (2023-01-13T00:11:56Z)
Forecasting Human Trajectory from Scene History [51.72069374835107]
我々は,暗黙の場面の規則性から学習することで,将来の軌跡を予測することを提案する。本研究では,シーン履歴情報を歴史的グループ軌跡と個々人のインタラクションの2つのタイプに分類する。本稿では,シーン履歴をシンプルかつ効果的なアプローチで活用する,SHENet(Scene History Excavating Network)を提案する。
論文参考訳（メタデータ） (2022-10-17T03:56:02Z)
Route to Time and Time to Route: Travel Time Estimation from Sparse Trajectories [7.602975042011819]
本稿では,スパースシナリオにおける旅行時間推定(TTE)と経路回復の問題を解決することを目的とする。我々は、この問題を、トレーニングデータが粗いラベルを持つ不正確な監督問題として定式化する。本稿では,推定経路の走行時間をEステップの弱い監督によって推定し,Mステップの走行時間に基づいて経路を抽出するEMアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-06-21T14:16:58Z)
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)
Travel Time Prediction using Tree-Based Ensembles [4.74324101583772]
本稿では,都市シナリオにおける2つの任意の地点間の移動時間予測の課題について考察する。我々はこの問題を2つの時間的視点から見る: 長期予測は数日間、短期予測は1時間である。
論文参考訳（メタデータ） (2020-05-28T07:43:54Z)
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)
Street-level Travel-time Estimation via Aggregated Uber Data [2.838842554577539]
都市部における道路セグメントに沿った時間的パターンの推定は,交通技術者や都市計画者にとって重要な課題である。本研究では,大都市圏の街路レベルの走行時間を推定するために,粗粒度および集約された走行時間データを活用する手法を提案する。
論文参考訳（メタデータ） (2020-01-13T21:14:38Z)

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。