Fugu-MT 論文翻訳(概要): Causal conditional hidden Markov model for multimodal traffic prediction

論文の概要: Causal conditional hidden Markov model for multimodal traffic prediction

arxiv url: http://arxiv.org/abs/2301.08249v1
Date: Thu, 19 Jan 2023 01:56:43 GMT
ステータス: 処理完了
システム内更新日: 2023-01-23 14:25:10.009895
Title: Causal conditional hidden Markov model for multimodal traffic prediction
Title（参考訳）: マルチモーダル交通予測のための因果条件隠れマルコフモデル
Authors: Yu Zhao, Pan Deng, Junting Liu, Xiaofeng Jia, Mulan Wang
Abstract要約: マルチモーダルトラフィックフローを予測するために,Causal Hidden Markov Model (CCHMM)を提案する。実世界のデータセットの実験により、CCHMMは興味ある概念の因果表現を効果的に切り離すことができることが示された。
参考スコア（独自算出の注目度）: 2.991894112851257
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multimodal traffic flow can reflect the health of the transportation system, and its prediction is crucial to urban traffic management. Recent works overemphasize spatio-temporal correlations of traffic flow, ignoring the physical concepts that lead to the generation of observations and their causal relationship. Spatio-temporal correlations are considered unstable under the influence of different conditions, and spurious correlations may exist in observations. In this paper, we analyze the physical concepts affecting the generation of multimode traffic flow from the perspective of the observation generation principle and propose a Causal Conditional Hidden Markov Model (CCHMM) to predict multimodal traffic flow. In the latent variables inference stage, a posterior network disentangles the causal representations of the concepts of interest from conditional information and observations, and a causal propagation module mines their causal relationship. In the data generation stage, a prior network samples the causal latent variables from the prior distribution and feeds them into the generator to generate multimodal traffic flow. We use a mutually supervised training method for the prior and posterior to enhance the identifiability of the model. Experiments on real-world datasets show that CCHMM can effectively disentangle causal representations of concepts of interest and identify causality, and accurately predict multimodal traffic flow.
Abstract（参考訳）: マルチモーダル交通の流れは交通システムの健全性を反映し、その予測は都市交通管理に不可欠である。最近の研究は交通の流れの時空間的相関を過度に強調し、観測の生成と因果関係につながる物理的概念を無視している。時空間相関は、異なる条件の影響下で不安定であると考えられており、観測中にスプリアス相関が存在する可能性がある。本稿では,多モードトラヒックフローの発生に影響を及ぼす物理概念を観測生成原理の観点から分析し,多モードトラヒックフロー予測のための因果条件付き隠れマルコフモデル(cchmm)を提案する。潜在変数推定段階において、後続ネットワークは、条件情報と観測から関心概念の因果表現を異なっており、因果伝播モジュールは、それらの因果関係をマイニングする。データ生成段階において、先行ネットワークは、先行分布から因果潜在変数をサンプリングし、ジェネレータに供給してマルチモーダルトラフィックフローを生成する。我々は,モデルの有効性を高めるために,前と後を相互に指導した訓練手法を用いる。実世界のデータセットを用いた実験により、CCHMMは関心の概念の因果表現を効果的に切り離し、因果性を特定し、マルチモーダルトラフィックフローを正確に予測できることが示された。

関連論文リスト

MSCT: Addressing Time-Varying Confounding with Marginal Structural Causal Transformer for Counterfactual Post-Crash Traffic Prediction [24.3907895281179]
本稿では,ポストクラッシュ交通予測のための新しい深層学習モデルを提案する。提案モデルでは, 仮説的衝突介入戦略の下での交通速度の理解と予測に特化して, 処理を意識したモデルを提案する。このモデルは、合成データと実世界のデータの両方を用いて検証され、MSCTがマルチステップ・アヘッド予測性能において最先端モデルより優れていることを示す。
論文参考訳（メタデータ） (2024-07-19T06:42:41Z)
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)
Deep Multi-View Channel-Wise Spatio-Temporal Network for Traffic Flow Prediction [18.008631008649658]
underlineMulti-underlineView underlineChannel-wise underlineSpatio-underlineTemporal underlineNetwork (MVC-STNet) 我々は,マルチチャネル交通流予測の新たな課題について検討し,深いアンダーラインMulti-underlineViewアンダーラインChannel-wiseアンダーラインTempを提案する。
論文参考訳（メタデータ） (2024-04-23T13:39:04Z)
Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文参考訳（メタデータ） (2024-03-10T04:16:04Z)
Self-Supervised Deconfounding Against Spatio-Temporal Shifts: Theory and Modeling [48.09863133371918]
本研究では,過去の交通データ,将来の交通データ,外部STコンテキストの因果グラフを構築することで,問題を定式化する。 OODトラフィックデータにおける先行技術の失敗は、STコンテキストが共同創設者として機能すること、すなわち過去のデータと将来のデータに対する共通の原因によるものであることが示される。本研究では,STEVE(Spatio-Temporal sElf-superVised dEconfounding)フレームワークを考案し,トラフィックデータを2つの不整合表現に符号化し,不変および変動STコンテキストを関連付ける。
論文参考訳（メタデータ） (2023-11-21T09:33:13Z)
Spatio-temporal neural structural causal models for bike flow prediction [2.991894112851257]
自転車シェアリングシステムの基本的な問題は、自転車のフロー予測である。近年の輸送システムにおける文脈条件の過度な強調手法が注目されている。時空間構造因果モデルを提案する。
論文参考訳（メタデータ） (2023-01-19T01:39:21Z)
Estimating Latent Population Flows from Aggregated Data via Inversing Multi-Marginal Optimal Transport [57.16851632525864]
累積カウントデータから潜在人口フローを推定する問題について検討する。この問題は、プライバシーの問題や測定の不確実性のために個々の軌道が利用できない場合に発生する。我々はMOTフレームワークのコスト関数を学習し,集約データからの遷移フローを推定する。
論文参考訳（メタデータ） (2022-12-30T03:03:23Z)
Multi-fold Correlation Attention Network for Predicting Traffic Speeds with Heterogeneous Frequency [17.3908559850196]
交通データ間の空間相関をモデル化する新しい測定法を提案する。その結果,交通状況によって相関パターンは大きく異なることがわかった。実世界のデータセットの実験では、提案されたMCANモデルが最先端のベースラインより優れていることが示されている。
論文参考訳（メタデータ） (2021-04-19T06:58:51Z)
Causal Autoregressive Flows [4.731404257629232]
自己回帰正規化フローの単純なファミリーと同定可能な因果モデルとの本質的な対応を強調した。我々は、自己回帰フローアーキテクチャが、因果順序に類似した変数の順序を定義しているという事実を利用して、様々な因果推論タスクを実行するのに適していることを示す。
論文参考訳（メタデータ） (2020-11-04T13:17:35Z)
Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文参考訳（メタデータ） (2020-11-04T10:00:27Z)
Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。