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
- 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) - Deep Sequence Modeling for Anomalous ISP Traffic Prediction [3.689539481706835]
異常交通予測のための異なるディープシーケンスモデルの性能について検討・評価を行った。
LSTM_Encoder_Decoder (LSTM_En_De) は我々の実験で最高の予測モデルである。
論文 参考訳（メタデータ） (2022-05-03T17:01:45Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - SLPC: a VRNN-based approach for stochastic lidar prediction and
completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。
提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。
VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文 参考訳（メタデータ） (2021-02-19T11:56:44Z) - 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) - Travel time prediction for congested freeways with a dynamic linear
model [10.965065178451104]
非線形トラフィック状態を近似するために動的線形モデル(DLM)を提案する。
特に短期予測では,精度が著しく向上した。
論文 参考訳（メタデータ） (2020-09-02T12:48:06Z) - 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。