論文の概要: Because Every Sensor Is Unique, so Is Every Pair: Handling Dynamicity in Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2302.09956v1
• Date: Mon, 20 Feb 2023 12:57:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 15:24:26.578738
• Title: Because Every Sensor Is Unique, so Is Every Pair: Handling Dynamicity in Traffic Forecasting
• Title（参考訳）: すべてのセンサがユニークなので、すべてのペア:トラフィック予測の動的処理
• Authors: Arian Prabowo, Wei Shao, Hao Xue, Piotr Koniusz, Flora D. Salim
• Abstract要約: トラフィック予測は、サイバー物理インフラから価値を抽出するための重要なタスクである。 本稿では,まず実世界の交通データを解析し,各センサがユニークなダイナミック性を持つことを示す。 次に,空間グラフ変換器 (SGT) と呼ばれる新しいモジュールを提案する。 最後に,グラフ自己注意型ウェーブネット(G-SWaN)を,複雑で非線形な時間的トラフィックのダイナミクスに対処するために提案する。
• 参考スコア（独自算出の注目度）: 32.354251863295424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic forecasting is a critical task to extract values from cyber-physical infrastructures, which is the backbone of smart transportation. However owing to external contexts, the dynamics at each sensor are unique. For example, the afternoon peaks at sensors near schools are more likely to occur earlier than those near residential areas. In this paper, we first analyze real-world traffic data to show that each sensor has a unique dynamic. Further analysis also shows that each pair of sensors also has a unique dynamic. Then, we explore how node embedding learns the unique dynamics at every sensor location. Next, we propose a novel module called Spatial Graph Transformers (SGT) where we use node embedding to leverage the self-attention mechanism to ensure that the information flow between two sensors is adaptive with respect to the unique dynamic of each pair. Finally, we present Graph Self-attention WaveNet (G-SWaN) to address the complex, non-linear spatiotemporal traffic dynamics. Through empirical experiments on four real-world, open datasets, we show that the proposed method achieves superior performance on both traffic speed and flow forecasting. Code is available at: https://github.com/aprbw/G-SWaN
• Abstract（参考訳）: 交通予測は、スマートトランスポーテーションのバックボーンであるサイバー物理インフラストラクチャから価値を抽出するための重要なタスクである。 しかし、外部のコンテキストのため、各センサーのダイナミクスはユニークである。 例えば、学校近くのセンサーの午後のピークは、住宅地に近いものよりも早く起こる可能性が高い。 本稿では,まず実世界の交通データを解析し,各センサがユニークなダイナミクスを持つことを示す。 さらに分析したところ、それぞれのセンサーにはユニークなダイナミクスがあることがわかった。 次に,ノード埋め込みがセンサ位置毎にユニークなダイナミクスを学習する方法について検討する。 次に,SGT(Spatial Graph Transformers)と呼ばれる新しいモジュールを提案する。このモジュールはノード埋め込みを用いて,2つのセンサ間の情報フローが各ペアのユニークなダイナミクスに対して適応していることを保証する。 最後に,グラフ自己アテンション・ウェーブネット(G-SWaN)を提案する。 実世界の4つのオープンデータセットの実証実験を通して,提案手法が交通速度と流速予測の両方において優れた性能を発揮することを示す。 コードは、https://github.com/aprbw/G-SWaNで入手できる。

関連論文リスト

• Data-Induced Interactions of Sparse Sensors [3.050919759387984]
  トレーニングデータによって引き起こされるセンサインタラクションの全体像を熱力学ビューで計算する。 これらのデータによって引き起こされるセンサーの相互作用をマッピングすることで、外部選択基準と組み合わせ、センサーの代替効果を予測することができる。
  論文  参考訳（メタデータ） (2023-07-21T18:13:37Z)
• Leveraging arbitrary mobile sensor trajectories with shallow recurrent decoder networks for full-state reconstruction [4.243926243206826]
  LSTM(long, short-term memory)ネットワークやデコーダネットワークのようなシーケンス・ツー・ベクター・モデルでは,動的情報を全状態空間推定にマッピング可能であることを示す。 ネットワークアーキテクチャの例外的な性能は、3つのアプリケーションで実証される。
  論文  参考訳（メタデータ） (2023-07-20T21:42:01Z)
• Point Cloud Forecasting as a Proxy for 4D Occupancy Forecasting [58.45661235893729]
  有望な自己管理タスクの1つは、注釈のないLiDARシーケンスからの3Dポイントクラウド予測である。 本課題は,(1)センサ外在物(自動運転車の移動),(2)センサ内在物(特定のLiDARセンサに特有のサンプリングパターン),(3)シーン内の他の物体の形状と動きを暗黙的にキャプチャするアルゴリズムを必要とすることを示す。 センサ外在性および内在性に関する4D占有率予測のポイントクラウドデータをレンダリングすることにより、注釈のないLiDARシーケンスで占有率アルゴリズムをトレーニングし、テストすることができる。
  論文  参考訳（メタデータ） (2023-02-25T18:12:37Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic Forecasting [7.232141271583618]
  以上の問題に対処する新しい動的多重グラフ畳み込み再帰ネットワーク(DMG)を提案する。 距離に基づくグラフを用いて,距離の近いノードから空間情報をキャプチャする。 また,道路間の構造相関を符号化した新しい潜在グラフを構築し,ノードから空間情報をキャプチャする。
  論文  参考訳（メタデータ） (2021-12-04T06:51:55Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
  可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。 我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。 重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
  論文  参考訳（メタデータ） (2021-07-22T03:10:51Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• Data-Driven Distributed State Estimation and Behavior Modeling in Sensor Networks [5.817715558396024]
  センサネットワークにおける状態推定と行動学習の同時学習の問題を定式化する。 本稿では,ガウス過程に基づくベイズフィルタ(GP-BayesFilters)をオンライン分散環境に拡張することで,シンプルで効果的な解を提案する。 提案手法の有効性は,マルチロボットプラットフォームから収集した合成データとデータの両方を用いて,未知の動作行動を持つ物体の追跡に評価される。
  論文  参考訳（メタデータ） (2020-09-22T21:31:18Z)
• Traffic Flow Forecast of Road Networks with Recurrent Neural Networks [0.0]
  効率的なインテリジェント交通システムには交通流の予測が不可欠である。 本研究では, 様々なリカレントニューラルネットワークを用いて, この予測を行う。 多くの場合、ゲート再帰単位を持つベクトル出力モデルは、テストセット上で最小の誤差を達成した。
  論文  参考訳（メタデータ） (2020-06-08T15:17:58Z)

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。