論文の概要: Adaptive Modeling of Uncertainties for Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2303.09273v1
- Date: Thu, 16 Mar 2023 12:56:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 15:42:44.154773
- Title: Adaptive Modeling of Uncertainties for Traffic Forecasting
- Title（参考訳）: 交通予測における不確かさの適応モデリング
- Authors: Ying Wu, Yongchao Ye, Adnan Zeb, James J.Q. Yu, Zheng Wang
- Abstract要約: QuanTrafficは、不確実性モデリングのための任意のDNNモデルの能力を高めるための一般的なフレームワークである。
DNNモデルトレーニング中に標準量子関数を自動的に学習し、単一点予測の予測間隔を生成する。
テスト入力の位置と予測ウィンドウに基づいて予測間隔を動的に調整する。
- 参考スコア（独自算出の注目度）: 33.81668910587541
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks (DNNs) have emerged as a dominant approach for
developing traffic forecasting models. These models are typically trained to
minimize error on averaged test cases and produce a single-point prediction,
such as a scalar value for traffic speed or travel time. However, single-point
predictions fail to account for prediction uncertainty that is critical for
many transportation management scenarios, such as determining the best- or
worst-case arrival time. We present QuanTraffic, a generic framework to enhance
the capability of an arbitrary DNN model for uncertainty modeling. QuanTraffic
requires little human involvement and does not change the base DNN architecture
during deployment. Instead, it automatically learns a standard quantile
function during the DNN model training to produce a prediction interval for the
single-point prediction. The prediction interval defines a range where the true
value of the traffic prediction is likely to fall. Furthermore, QuanTraffic
develops an adaptive scheme that dynamically adjusts the prediction interval
based on the location and prediction window of the test input. We evaluated
QuanTraffic by applying it to five representative DNN models for traffic
forecasting across seven public datasets. We then compared QuanTraffic against
five uncertainty quantification methods. Compared to the baseline uncertainty
modeling techniques, QuanTraffic with base DNN architectures delivers
consistently better and more robust performance than the existing ones on the
reported datasets.
- Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、交通予測モデルを開発する主要なアプローチとして現れている。
これらのモデルは通常、平均されたテストケースのエラーを最小限に抑えるように訓練され、トラフィック速度や走行時間に対するスカラー値などの単点予測を生成する。
しかし、シングルポイント予測は、最良または最悪の到着時刻を決定するなど、多くの交通管理シナリオにおいて重要な予測の不確実性を考慮していない。
我々は,不確実性モデリングのための任意のdnnモデルの能力を強化する汎用フレームワークquantrafficを提案する。
QuanTrafficは人間の関与をほとんど必要とせず、デプロイメント中にベースとなるDNNアーキテクチャを変更することはない。
代わりに、DNNモデルトレーニング中に標準量子関数を自動的に学習し、単一点予測のための予測間隔を生成する。
予測間隔は、トラフィック予測の真の値が低下する可能性のある範囲を定義する。
さらに、QuanTrafficは、テスト入力の位置と予測ウィンドウに基づいて予測間隔を動的に調整する適応型スキームを開発した。
7つの公開データセットにわたるトラフィック予測のための5つの代表的DNNモデルに適用することにより、QuanTrafficを評価した。
次に、QuanTrafficを5つの不確実な定量化法と比較した。
ベースラインの不確実性モデリング技術と比較して、ベースとなるDNNアーキテクチャを持つQuanTrafficは、報告されたデータセットの既存のものよりも一貫して、より堅牢なパフォーマンスを提供する。
関連論文リスト
- Causally-Aware Spatio-Temporal Multi-Graph Convolution Network for Accurate and Reliable Traffic Prediction [5.200012764049096]
本研究は,高精度かつ信頼性の高い予測を行うための高度な深層学習モデルを実証するために,時間的問題-トラヒック予測の事例に焦点を当てた。
本稿では,3つの主要コンポーネントを有効活用し,高精度かつ信頼性の高いトラフィック予測を行う,エンドツーエンドのトラフィック予測フレームワークを提案する。
2つの実世界の交通データセットの実験結果から,この手法は予測精度においていくつかの最先端モデルより優れていることが示された。
論文 参考訳（メタデータ） (2024-08-23T14:35:54Z) - Deep Limit Model-free Prediction in Regression [0.0]
本稿では,DNN(Deep Neural Network)に基づくモデルフリーアプローチにより,一般的な回帰条件下での点予測と予測間隔を実現する。
提案手法は,特に最適点予測において,他のDNN法に比べて安定かつ正確である。
論文 参考訳（メタデータ） (2024-08-18T16:37:53Z) - A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。
モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
論文 参考訳（メタデータ） (2024-06-02T05:41:25Z) - Uncertainty Quantification over Graph with Conformalized Graph Neural
Networks [52.20904874696597]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。
GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。
本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T21:38:23Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Attentional-GCNN: Adaptive Pedestrian Trajectory Prediction towards
Generic Autonomous Vehicle Use Cases [10.41902340952981]
本稿では,グラフのエッジに注目重みを割り当てることで,歩行者間の暗黙的相互作用に関する情報を集約する,GCNNに基づく新しいアプローチであるAttentional-GCNNを提案する。
提案手法は,10%平均変位誤差 (ADE) と12%最終変位誤差 (FDE) を高速な推論速度で向上することを示す。
論文 参考訳（メタデータ） (2020-11-23T03:13:26Z) - AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。
最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。
さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2020-06-24T23:13:11Z) - Long-Term Prediction of Lane Change Maneuver Through a Multilayer
Perceptron [5.267336573374459]
横方向情報や角度情報のない長期(510秒)レーン変更予測モデルを提案する。
ロジスティック回帰モデル、多層パーセプトロン(MLP)モデル、リカレントニューラルネットワーク(RNN)モデルを含む3つの予測モデルが導入されている。
評価結果から, 開発した予測モデルでは, 実車線変更操作の75%を平均8.05秒で捉えることができることがわかった。
論文 参考訳（メタデータ） (2020-06-23T05:32:40Z) - 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)
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。