Fugu-MT 論文翻訳(概要): TrafFormer: A Transformer Model for Prediction Long-term Traffic

論文の概要: TrafFormer: A Transformer Model for Prediction Long-term Traffic

arxiv url: http://arxiv.org/abs/2302.12388v1
Date: Fri, 24 Feb 2023 01:29:21 GMT
ステータス: 処理完了
システム内更新日: 2023-02-27 15:01:15.342993
Title: TrafFormer: A Transformer Model for Prediction Long-term Traffic
Title（参考訳）: TrafFormer: 長期交通予測のためのトランスフォーマーモデル
Authors: David Alexander Tedjopurnomo, Farhana M. Choudhury, A. K. Qin
Abstract要約: 長期的な交通予測は、交通渋滞に対するより包括的で情報があり、予防的な対策を可能にする。我々は,24時間前のトラフィックを予測するために,改良されたトランスフォーマーモデルTrafFormerを提案する。
参考スコア（独自算出の注目度）: 3.6776225248989536
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Traffic prediction is a flourishing research field due to its importance in human mobility in the urban space. Despite this, existing studies only focus on short-term prediction of up to few hours in advance, with most being up to one hour only. Long-term traffic prediction can enable more comprehensive, informed, and proactive measures against traffic congestion and is therefore an important task to explore. In this paper, we explore the task of long-term traffic prediction; where we predict traffic up to 24 hours in advance. We note the weaknesses of existing models--which are based on recurrent structures--for long-term traffic prediction and propose a modified Transformer model ``TrafFormer". Experiments comparing our model with existing hybrid neural network models show the superiority of our model.
Abstract（参考訳）: 交通予測は、都市空間における人間の移動性の重要性から、繁栄する研究分野である。それにもかかわらず、既存の研究は、数時間前の短期的な予測にのみ焦点を合わせており、ほとんどが1時間のみである。長期交通予測は交通渋滞に対するより包括的で情報があり、予防的な対策を可能にするため、調査すべき重要な課題である。本稿では,長期交通予測の課題について検討し,24時間前までの交通予測を行う。本稿では,長期トラフィック予測のための再帰構造に基づく既存モデルの弱点に注目し,改良されたトランスフォーマーモデル ``TrafFormer を提案する。我々のモデルと既存のハイブリッドニューラルネットワークモデルを比較する実験は、我々のモデルの優位性を示している。

関連論文リスト

Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
論文参考訳（メタデータ） (2023-08-11T13:35:52Z)
Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文参考訳（メタデータ） (2023-08-02T23:39:24Z)
PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文参考訳（メタデータ） (2023-01-19T08:42:40Z)
Explainable Graph Pyramid Autoformer for Long-Term Traffic Forecasting [3.5908670236727933]
我々は,新しいピラミッド自己相関アテンション機構を用いた,説明可能な注意に基づく時空間グラフニューラルネットワークを開発した。我々のモデルは、いくつかの最先端手法よりも、最大で35%の長期交通予測精度を達成できる。
論文参考訳（メタデータ） (2022-09-27T02:31:06Z)
Traffic Congestion Prediction Using Machine Learning Techniques [2.034025911158587]
本稿では,日,時間,天気データに基づいて渋滞を予測する交通渋滞予測モデルを提案する。このモデルでは、道路の混雑が1週間前に予測され、平均RMSEは1.12である。
論文参考訳（メタデータ） (2022-06-22T11:17:46Z)
Traffic-Twitter Transformer: A Nature Language Processing-joined Framework For Network-wide Traffic Forecasting [14.71745498591372]
本研究では,公共利用者や交通機関の交通状況を予測するためのフレキシブルで包括的な枠組みを提案する。まず,2つの時系列データ,トラフィック強度,およびTwitterデータ強度の相関性を評価するために,相関研究と線形回帰モデルを構築した。次に、2つの時系列データをソーシャル対応フレームワークであるTraffic-Twitter Transformerに入力し、Nature Language表現を時系列レコードに統合し、長期トラフィック予測を行った。
論文参考訳（メタデータ） (2022-06-19T20:17:15Z)
A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文参考訳（メタデータ） (2021-02-12T18:17:12Z)
A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は現代のインテリジェント交通システムの発展に重要な役割を担っています動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文参考訳（メタデータ） (2020-12-25T01:40:29Z)
Graph modelling approaches for motorway traffic flow prediction [6.370406399003785]
本稿では,シドニーの人気のある自動車道に沿って,正確な短期予測を構築するための2つの新しい時空間的アプローチを提案する。提案手法は, 道路沿いの各目標カウントステーションに対して, 直近で最も近い交通流情報を用いて, バックトラックと近接性を示す近接手法に基づいて構築される。その結果,10分以内の短期予測では,提案手法は最先端のディープラーニングモデルよりも優れていることがわかった。
論文参考訳（メタデータ） (2020-06-26T06:54:14Z)
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)
Traffic Modelling and Prediction via Symbolic Regression on Road Sensor Data [0.8602553195689513]
本稿では,ラグ演算子により強化されたシンボル回帰に基づく,新しいかつ正確な交通流予測手法を提案する。提案手法は都市道路の複雑度に適したロバストモデルであり,高速道路よりも予測が困難である。
論文参考訳（メタデータ） (2020-02-14T16:03:04Z)

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。