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
- Solving Inverse Problems with Model Mismatch using Untrained Neural
Networks within Model-based Architectures [15.896809554085973]
モデルベースアーキテクチャでは,各インスタンスの計測領域におけるデータの一貫性を一致させるために,トレーニングされていないフォワードモデル残差ブロックを導入する。
実験では、アーティファクトの削除と3つの異なるアプリケーションにわたる詳細の保存において、大幅な品質改善が示されている。
論文 参考訳(メタデータ) (2024-03-07T19:02:13Z) - 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) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳(メタデータ) (2023-09-02T01:27:53Z) - 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) - Revisiting Design Choices in Model-Based Offline Reinforcement Learning [39.01805509055988]
オフライン強化学習により、エージェントは環境遷移の大規模な収集済みデータセットを利用して制御ポリシーを学習することができる。
本稿では、モデル数や仮想ロールアウト地平線など、他のハイパーパラメータとの相互作用を研究するための新しいプロトコルを比較し、設計する。
論文 参考訳(メタデータ) (2021-10-08T13:51:34Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳(メタデータ) (2021-06-04T18:03:31Z) - Autoregressive Dynamics Models for Offline Policy Evaluation and
Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。
また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文 参考訳(メタデータ) (2021-04-28T16:48:44Z) - 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) - 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) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳(メタデータ) (2020-07-11T19:44:09Z)
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。