Fugu-MT 論文翻訳(概要): Spatiotemporal Capsule Neural Network for Vehicle Trajectory Prediction

論文の概要: Spatiotemporal Capsule Neural Network for Vehicle Trajectory Prediction

arxiv url: http://arxiv.org/abs/2303.02880v1
Date: Mon, 6 Mar 2023 04:15:29 GMT
ステータス: 処理完了
システム内更新日: 2023-03-07 17:08:43.504905
Title: Spatiotemporal Capsule Neural Network for Vehicle Trajectory Prediction
Title（参考訳）: 車両軌道予測のための時空間カプセルニューラルネットワーク
Authors: Yan Qin, Yong Liang Guan, and Chau Yuen
Abstract要約: 本稿では,カプセルニューラルネットワーク(CapsNet)を用いた階層的軌道予測構造を提案する。まず、地理情報をグリッドマップ表示に変換し、車両の移動分布を空間的・時間的に記述する。第二に、CapsNetは階層カプセルを通して局所的時間的および大域的空間的相関を埋め込むコアモデルとして機能する。
参考スコア（独自算出の注目度）: 21.6456624219159
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Through advancement of the Vehicle-to-Everything (V2X) network, road safety, energy consumption, and traffic efficiency can be significantly improved. An accurate vehicle trajectory prediction benefits communication traffic management and network resource allocation for the real-time application of the V2X network. Recurrent neural networks and their variants have been reported in recent research to predict vehicle mobility. However, the spatial attribute of vehicle movement behavior has been overlooked, resulting in incomplete information utilization. To bridge this gap, we put forward for the first time a hierarchical trajectory prediction structure using the capsule neural network (CapsNet) with three sequential components. First, the geographic information is transformed into a grid map presentation, describing vehicle mobility distribution spatially and temporally. Second, CapsNet serves as the core model to embed local temporal and global spatial correlation through hierarchical capsules. Finally, extensive experiments conducted on actual taxi mobility data collected in Porto city (Portugal) and Singapore show that the proposed method outperforms the state-of-the-art methods.
Abstract（参考訳）: 車からすべて(v2x)ネットワークの進歩により、道路の安全性、エネルギー消費、交通効率が大幅に向上する。正確な車両軌道予測は、v2xネットワークのリアルタイムアプリケーションのための通信トラフィック管理とネットワークリソース割り当ての恩恵を受ける。最近の研究では、リカレントニューラルネットワークとその変種が車両の移動性を予測するために報告されている。しかし,車両移動行動の空間的特性は見過ごされ,情報の利用が不完全になっている。このギャップを埋めるために,カプセル型ニューラルネットワーク(capsnet)と3つの逐次成分を用いた階層的軌道予測構造を初めて提示した。まず、地理情報をグリッドマップ表示に変換し、車両移動度分布を空間的および時間的に記述する。第二に、CapsNetは階層カプセルを通して局所的時間的空間的相関を埋め込むコアモデルとして機能する。最後に、ポルト市(ポルトガル)とシンガポールで収集された実際のタクシー移動データについて広範な実験を行い、提案手法が最先端の手法より優れていることを示した。

関連論文リスト

Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity Analysis [6.8775337739726226]
本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
論文参考訳（メタデータ） (2023-08-20T14:31:55Z)
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)
Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2023-06-15T14:50:27Z)
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)
Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities [9.891703123090528]
本稿では,新しい移動可能な交通予測フレームワークDASTNetを提案する。 DASTNetは複数のソースネットワーク上で事前トレーニングされ、ターゲットネットワークのトラフィックデータに微調整される。 3つのベンチマークデータセット上で、最先端のベースラインメソッドを一貫して上回る。
論文参考訳（メタデータ） (2022-02-08T03:58:39Z)
Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。提案手法は,高品質なトラフィックフローマップを作成できる。
論文参考訳（メタデータ） (2021-09-29T07:51:49Z)
Graph-Based Spatial-Temporal Convolutional Network for Vehicle Trajectory Prediction in Autonomous Driving [2.6774008509841005]
本稿では,グラフに基づく時空間畳み込みネットワーク(GSTCN)を提案する。時空間の特徴を符号化し、ゲートリカレントユニット(GRU)ネットワークで復号し、将来の軌道分布を生成する。次世代シミュレーション(NGSIM)におけるI-80とUS-101の2つの実世界の高速道路軌跡データを用いたネットワーク評価
論文参考訳（メタデータ） (2021-09-27T02:20:38Z)
Space Meets Time: Local Spacetime Neural Network For Traffic Flow Forecasting [11.495992519252585]
このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
論文参考訳（メタデータ） (2021-09-11T09:04:35Z)
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)
Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
論文参考訳（メタデータ） (2021-03-13T06:56:29Z)
Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。