論文の概要: Multitask Weakly Supervised Learning for Origin Destination Travel Time Estimation

• arxiv url: http://arxiv.org/abs/2301.05336v1
• Date: Fri, 13 Jan 2023 00:11:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-16 14:35:14.695621
• Title: Multitask Weakly Supervised Learning for Origin Destination Travel Time Estimation
• Title（参考訳）: マルチタスク弱教師付き学習による原位置移動時間推定
• Authors: Hongjun Wang, Zhiwen Zhang, Zipei Fan, Jiyuan Chen, Lingyu Zhang, Ryosuke Shibasaki, Xuan Song
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.531695291898815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Travel time estimation from GPS trips is of great importance to order duration, ridesharing, taxi dispatching, etc. However, the dense trajectory is not always available due to the limitation of data privacy and acquisition, while the origin destination (OD) type of data, such as NYC taxi data, NYC bike data, and Capital Bikeshare data, is more accessible. To address this issue, this paper starts to estimate the OD trips travel time combined with the road network. Subsequently, a Multitask Weakly Supervised Learning Framework for Travel Time Estimation (MWSL TTE) has been proposed to infer transition probability between roads segments, and the travel time on road segments and intersection simultaneously. Technically, given an OD pair, the transition probability intends to recover the most possible route. And then, the output of travel time is equal to the summation of all segments' and intersections' travel time in this route. A novel route recovery function has been proposed to iteratively maximize the current route's co occurrence probability, and minimize the discrepancy between routes' probability distribution and the inverse distribution of routes' estimation loss. Moreover, the expected log likelihood function based on a weakly supervised framework has been deployed in optimizing the travel time from road segments and intersections concurrently. We conduct experiments on a wide range of real world taxi datasets in Xi'an and Chengdu and demonstrate our method's effectiveness on route recovery and travel time estimation.
• Abstract（参考訳）: GPS旅行からの旅行時間推定は、注文時間、乗り合い、タクシー配車などにおいて非常に重要である。 しかし、データプライバシと買収の制限のため、密集した軌道は必ずしも利用可能ではないが、ニューヨーク市のタクシーデータ、ニューヨーク市の自転車データ、キャピタル・バイクシェアリングデータなど、オリジン・デスティネーション(od)タイプのデータの方がアクセスしやすい。 この問題に対処するため,本稿では,道路網と組み合わせたodトリップの走行時間を推定する。 その後、道路セグメント間の遷移確率と道路セグメントと交差点の移動時間とを同時に推定するために、MWSL TTE (Multitask Weakly Supervised Learning Framework) が提案されている。 技術的には、ODペアが与えられた場合、遷移確率は最も可能なルートを回復する。 そして、走行時間の出力は、この経路における全てのセグメントと交差点の走行時間の合計と等しい。 経路の共起確率を反復的に最大化し,経路の確率分布と経路の推定損失の逆分布との差を最小限に抑える新しい経路回復関数が提案されている。 さらに,道路セグメントや交差点からの移動時間を同時に最適化するために,弱教師付きフレームワークに基づく予測ログ可能性関数が導入された。 本手法は,西安と成都の多岐にわたる実世界のタクシーデータセットで実験を行い,経路回復と走行時間推定における効果を実証する。

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)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• 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)
• Cross-Camera Trajectories Help Person Retrieval in a Camera Network [124.65912458467643]
  既存の手法では、純粋な視覚的マッチングや時間的制約を考慮することが多いが、カメラネットワークの空間情報は無視する。 本稿では,時間的情報と空間的情報を統合したクロスカメラ生成に基づく歩行者検索フレームワークを提案する。 本手法の有効性を検証するため,最初のカメラ横断歩行者軌跡データセットを構築した。
  論文  参考訳（メタデータ） (2022-04-27T13:10:48Z)
• Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
  航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。 フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:22Z)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)
• 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)
• Study on Key Technologies of Transit Passengers Travel Pattern Mining and Applications based on Multiple Sources of Data [1.370633147306388]
  本稿では,移動客の移動パターンと行動選好をマイニングするための一連の手法を提案する。 これらの知識を交通システムの調整と最適化に利用しています。
  論文  参考訳（メタデータ） (2020-05-26T22:35:28Z)
• 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。

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。