論文の概要: Enhancing Deep Traffic Forecasting Models with Dynamic Regression
- arxiv url: http://arxiv.org/abs/2301.06650v1
- Date: Tue, 17 Jan 2023 01:12:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 15:03:53.688388
- Title: Enhancing Deep Traffic Forecasting Models with Dynamic Regression
- Title（参考訳）: 動的回帰による深層交通予測モデルの強化
- Authors: Vincent Zhihao Zheng, Seongjin Choi, Lijun Sun
- Abstract要約: 深層学習に基づく交通時系列予測モデルにおける一般的な仮定は、残差は独立であり、等方的であり、空間と時間には無関係であるということである。
本稿では,既存の深層交通予測フレームワークを強化するための動的回帰(DR)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）: 12.343333815270402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A common assumption in deep learning-based multivariate and multistep traffic
time series forecasting models is that residuals are independent, isotropic,
and uncorrelated in space and time. While this assumption provides a
straightforward loss function (such as MAE/MSE), it is inevitable that residual
processes will exhibit strong autocorrelation and structured spatiotemporal
correlation. In this paper, we propose a complementary dynamic regression (DR)
framework to enhance existing deep multistep traffic forecasting frameworks
through structured specifications and learning for the residual process.
Specifically, we assume the residuals of the base model (i.e., a well-developed
traffic forecasting model) are governed by a matrix-variate seasonal
autoregressive (AR) model, which can be seamlessly integrated into the training
process by redesigning the overall loss function. Parameters in the DR
framework can be jointly learned with the base model. We evaluate the
effectiveness of the proposed framework in enhancing several state-of-the-art
deep traffic forecasting models on both speed and flow datasets. Our experiment
results show that the DR framework not only improves existing traffic
forecasting models but also offers interpretable regression coefficients and
spatiotemporal covariance matrices.
- Abstract（参考訳）: ディープラーニングに基づく多変量および多段トラヒック時系列予測モデルにおける一般的な仮定は、残差が独立で等方的であり、空間と時間には無関係であるということである。
この仮定は直接的な損失関数(MAE/MSEなど)を提供するが、残留過程が強い自己相関と構造的時空間相関を示すことは避けられない。
本稿では、構造化仕様と残差プロセスの学習を通じて、既存の深層交通予測フレームワークを強化するための補完的動的回帰(DR)フレームワークを提案する。
具体的には、ベースモデル(例えば、よく発達した交通予測モデル)の残差を行列式季節性自己回帰(AR)モデルで制御し、全体の損失関数を再設計することで、トレーニングプロセスにシームレスに統合することができると仮定する。
DRフレームワークのパラメータは、ベースモデルと共同で学習することができる。
提案手法の有効性を,速度と流速の両方のデータセット上で,最先端の深層交通予測モデルを強化する上で評価した。
実験の結果, drフレームワークは既存のトラヒック予測モデルを改善するだけでなく, 解釈可能な回帰係数と時空間共分散行列を提供することがわかった。
関連論文リスト
- A domain decomposition-based autoregressive deep learning model for unsteady and nonlinear partial differential equations [2.7755345520127936]
非定常・非線形偏微分方程式(PDE)を正確にモデル化するためのドメイン分割型ディープラーニング(DL)フレームワークCoMLSimを提案する。
このフレームワークは、(a)畳み込みニューラルネットワーク(CNN)ベースのオートエンコーダアーキテクチャと(b)完全に接続された層で構成される自己回帰モデルという、2つの重要なコンポーネントで構成されている。
論文 参考訳（メタデータ） (2024-08-26T17:50:47Z) - 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) - How Inverse Conditional Flows Can Serve as a Substitute for Distributional Regression [2.9873759776815527]
逆流変換(DRIFT)を用いた分布回帰の枠組みを提案する。
DRIFTは解釈可能な統計モデルと柔軟なニューラルネットワークの両方をカバーする。
論文 参考訳（メタデータ） (2024-05-08T21:19:18Z) - Deep autoregressive density nets vs neural ensembles for model-based
offline reinforcement learning [2.9158689853305693]
本稿では、利用可能なデータからシステムダイナミクスを推定し、仮想モデルロールアウトにおけるポリシー最適化を行うモデルベース強化学習アルゴリズムについて考察する。
このアプローチは、実際のシステムで破滅的な失敗を引き起こす可能性のあるモデルエラーを悪用することに対して脆弱である。
D4RLベンチマークの1つのよく校正された自己回帰モデルにより、より良い性能が得られることを示す。
論文 参考訳（メタデータ） (2024-02-05T10:18:15Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳（メタデータ） (2023-11-13T01:48:08Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳（メタデータ） (2022-10-15T17:57:43Z) - Measuring and Reducing Model Update Regression in Structured Prediction
for NLP [31.86240946966003]
後方互換性は、新しいモデルが前者によって正しく処理されたケースに回帰しないことを要求する。
本研究は、構造化予測タスクにおける更新回帰をモデル化する。
本稿では,構造化出力の特性を考慮し,単純かつ効果的なバックワード・コングルエント・リグレード(BCR)を提案する。
論文 参考訳（メタデータ） (2022-02-07T07:04:54Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - Model-based Policy Optimization with Unsupervised Model Adaptation [37.09948645461043]
本研究では,不正確なモデル推定による実データとシミュレーションデータのギャップを埋めて,より良いポリシ最適化を実現する方法について検討する。
本稿では,教師なしモデル適応を導入したモデルベース強化学習フレームワークAMPOを提案する。
提案手法は,一連の連続制御ベンチマークタスクにおけるサンプル効率の観点から,最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-10-19T14:19:42Z)
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。