論文の概要: An Efficient Two-stage Gradient Boosting Framework for Short-term Traffic State Estimation

• arxiv url: http://arxiv.org/abs/2302.10400v1
• Date: Tue, 21 Feb 2023 02:20:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-22 16:43:15.584381
• Title: An Efficient Two-stage Gradient Boosting Framework for Short-term Traffic State Estimation
• Title（参考訳）: 短期交通状態推定のための高効率2段勾配昇降フレームワーク
• Authors: Yichao Lu
• Abstract要約: NeurIPS 2022 Traffic4castチャレンジは、短期的なトラフィック状態推定アプローチをベンチマークするための優れたテストベッドを提供する。 短時間の交通状態推定に有効な2段階勾配向上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）: 4.0248751151060596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time traffic state estimation is essential for intelligent transportation systems. The NeurIPS 2022 Traffic4cast challenge provides an excellent testbed for benchmarking short-term traffic state estimation approaches. This technical report describes our solution to this challenge. In particular, we present an efficient two-stage gradient boosting framework for short-term traffic state estimation. The first stage derives the month, day of the week, and time slot index based on the sparse loop counter data, and the second stage predicts the future traffic states based on the sparse loop counter data and the derived month, day of the week, and time slot index. Experimental results demonstrate that our two-stage gradient boosting framework achieves strong empirical performance, achieving third place in both the core and the extended challenges while remaining highly efficient. The source code for this technical report is available at \url{https://github.com/YichaoLu/Traffic4cast2022}.
• Abstract（参考訳）: インテリジェント交通システムにはリアルタイム交通状態推定が不可欠である。 NeurIPS 2022 Traffic4castチャレンジは、短期的なトラフィック状態推定アプローチをベンチマークするための優れたテストベッドを提供する。 この技術的レポートは、この課題に対する我々の解決策を説明している。 特に,短期交通状態推定のための効率的な2段階勾配向上フレームワークを提案する。 第1ステージは、スパースループカウンタデータに基づく月、日、タイムスロットインデックスを導出し、第2ステージは、スパースループカウンタデータと派生した月、日、およびタイムスロットインデックスに基づいて、将来のトラフィック状態を予測する。 実験の結果,2段階勾配ブースティングフレームワークは強力な経験的性能を達成し,高い効率を維持しながら,コアと拡張課題の両方において3位となった。 このテクニカルレポートのソースコードは \url{https://github.com/yichaolu/traffic4cast2022} で入手できる。

関連論文リスト

• A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic Flow Forecasting [21.6456624219159]
  トラフィックフロー予測における重要な課題は、毎日のサイクルと毎週のサイクルの間の時間的ピークの緩やかなシフトである。 本稿では,2つの部分を含む交通流予測のためのスローシフト型機械学習手法を提案する。 提案手法は,ルート平均二乗誤差と平均絶対パーセンテージ誤差を用いて,最先端の結果を14.55%,62.56%向上させる。
  論文  参考訳（メタデータ） (2023-03-31T03:07:53Z)
• Similarity-based Feature Extraction for Large-scale Sparse Traffic Forecasting [4.295541562380963]
  NeurIPS 2022 Traffic4cast チャレンジは、公共に利用可能なスパースループ数データで都市全体の交通状態を予測することを目的としている。 この技術報告は、ETA予測の拡張課題に対して、私たちの2位獲得ソリューションを紹介します。
  論文  参考訳（メタデータ） (2022-11-13T22:19:21Z)
• 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)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• PSTN: Periodic Spatial-temporal Deep Neural Network for Traffic Condition Prediction [8.255993195520306]
  本稿では,交通条件の予測性能を改善するために,周期的深部ニューラルネットワーク(PSTN)を3つのモジュールで提案する。 まず、歴史交通情報を折り畳み、グラフ畳み込みネットワークと時間畳み込みネットワークからなるモジュールに供給する。
  論文  参考訳（メタデータ） (2021-08-05T07:42:43Z)
• Stochastic Optimization with Laggard Data Pipelines [65.20044914532221]
  共通最適化手法の「データ抽出」拡張は同期手法よりも優れた性能を示すことを示す。 具体的には、ミニバッチによる凸最適化において、データエコーは、最適統計率を維持しながら収束率の曲率に支配される部分の高速化をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-10-26T14:55:31Z)
• Finding Action Tubes with a Sparse-to-Dense Framework [62.60742627484788]
  本稿では,ビデオストリームからのアクションチューブ提案を1つのフォワードパスでスパース・トゥ・デンス方式で生成するフレームワークを提案する。 UCF101-24, JHMDB-21, UCFSportsベンチマークデータセット上で, 本モデルの有効性を評価する。
  論文  参考訳（メタデータ） (2020-08-30T15:38:44Z)
• 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)
• Short-Term Traffic Forecasting Using High-Resolution Traffic Data [2.0625936401496237]
  本稿では,高分解能(イベントベース)トラフィックデータを用いた交通予測のためのデータ駆動ツールキットを開発した。 提案手法は,アラブ首長国連邦アブダビの現実世界の交通ネットワークから得られた高分解能データを用いて検証した。
  論文  参考訳（メタデータ） (2020-06-22T14:26:19Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)
• Nonlinear Traffic Prediction as a Matrix Completion Problem with Ensemble Learning [1.8352113484137629]
  本稿では,信号化トラフィック運用管理における短期的な交通予測の問題に対処する。 高分解能(秒間)におけるセンサ状態の予測に焦点をあてる 私たちのコントリビューションは,3つの洞察を提供するものとして要約することができます。
  論文  参考訳（メタデータ） (2020-01-08T13:10:40Z)

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。