論文の概要: Prediction of Time and Distance of Trips Using Explainable
Attention-based LSTMs
- arxiv url: http://arxiv.org/abs/2303.15087v1
- Date: Mon, 27 Mar 2023 10:54:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 15:50:03.503122
- Title: Prediction of Time and Distance of Trips Using Explainable
Attention-based LSTMs
- Title(参考訳): 説明可能な注意型lstmによる旅行時間と距離の予測
- Authors: Ebrahim Balouji, Jonas Sj\"oblom, Nikolce Murgovski, Morteza Haghir
Chehreghani
- Abstract要約: 本研究では,将来の走行時間と走行可能な距離を予測するための機械学習ソリューションを提案する。
我々は、旅行時間と距離の多次元履歴データを同時に扱うように設計された、長期記憶(LSTM)に基づく構造を用いる。
提案手法のうち、最も先進的なAt-LSTMは次の旅行距離と時刻を3.99%の誤差で予測する。
- 参考スコア(独自算出の注目度): 6.07913759162059
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose machine learning solutions to predict the time of
future trips and the possible distance the vehicle will travel. For this
prediction task, we develop and investigate four methods. In the first method,
we use long short-term memory (LSTM)-based structures specifically designed to
handle multi-dimensional historical data of trip time and distances
simultaneously. Using it, we predict the future trip time and forecast the
distance a vehicle will travel by concatenating the outputs of LSTM networks
through fully connected layers. The second method uses attention-based LSTM
networks (At-LSTM) to perform the same tasks. The third method utilizes two
LSTM networks in parallel, one for forecasting the time of the trip and the
other for predicting the distance. The output of each LSTM is then concatenated
through fully connected layers. Finally, the last model is based on two
parallel At-LSTMs, where similarly, each At-LSTM predicts time and distance
separately through fully connected layers. Among the proposed methods, the most
advanced one, i.e., parallel At-LSTM, predicts the next trip's distance and
time with 3.99% error margin where it is 23.89% better than LSTM, the first
method. We also propose TimeSHAP as an explainability method for understanding
how the networks perform learning and model the sequence of information.
- Abstract(参考訳): 本稿では,将来の走行時間と走行可能な距離を予測するための機械学習ソリューションを提案する。
この予測課題に対して,我々は4つの手法を開発し検討する。
第1の手法では、旅行時間と距離の多次元履歴データを同時に扱うように設計された長短期記憶(LSTM)構造を用いる。
これを用いて将来の走行時間を予測し、LSTMネットワークの出力を全接続層で結合することで走行距離を予測する。
2つ目の方法は、注意に基づくLSTMネットワーク(At-LSTM)を使用して同じタスクを実行する。
3つ目の方法は2つのLSTMネットワークを並列に利用し、1つは旅行の時刻を予測し、もう1つは距離を予測する。
各LSTMの出力は、完全に接続された層を通して結合される。
最後に、最後のモデルは2つの並列At-LSTMに基づいており、各At-LSTMは完全な連結層を通して時間と距離を別々に予測する。
提案手法のうち、最も先進的な手法であるAt-LSTMは、最初の手法であるLSTMよりも23.89%良い3.99%の誤差差で次の旅行距離と時間を予測する。
また,ネットワークがどのように学習を行うかを理解し,情報のシーケンスをモデル化するための説明可能性としてtimehapを提案する。
関連論文リスト
- Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。
関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。
量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-21T21:40:47Z) - Attention-LSTM for Multivariate Traffic State Prediction on Rural Roads [5.259027520298188]
交通量と速度を同時に予測するために,注意に基づくLong Sort-Term Memory Model (A-LSTM)を提案する。
本研究では,A-LSTMモデルとLong Short-Term Memory (LSTM)モデルを比較した。
論文 参考訳(メタデータ) (2023-01-06T22:23:57Z) - Image Classification using Sequence of Pixels [3.04585143845864]
本研究では,繰り返しニューラルネットワークを用いた逐次画像分類法の比較を行った。
本稿では,Long-Short-Term memory(LSTM)やBidirectional Long-Short-Term memory(BiLSTM)アーキテクチャに基づく手法について述べる。
論文 参考訳(メタデータ) (2022-09-23T09:42:44Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-08-24T07:50:43Z) - Network Level Spatial Temporal Traffic State Forecasting with Hierarchical-Attention-LSTM (HierAttnLSTM) [0.0]
本稿では,オープンベンチマークにホストされたPeMS(Caltrans Performance Measurement System)から,多様なトラフィック状態データセットを活用する。
我々は,低レベルから高レベルLong Short-Term Memory (LSTM) ネットワーク間のセルおよび隠れ状態とアテンションプーリング機構を統合した。
構築された階層構造は、ネットワークレベルのトラフィック状態の空間的時間的相関をキャプチャして、異なる時間スケールにまたがる依存関係を考慮に入れられるように設計されている。
論文 参考訳(メタデータ) (2022-01-15T05:25:03Z) - End-to-end LSTM based estimation of volcano event epicenter localization [55.60116686945561]
火山イベントの局所化問題に対処するために, エンドツーエンドのLSTMスキームを提案する。
LSTMは、時間変化の信号のダイナミクスを捉えることができるため、選択された。
その結果、LSTMベースのアーキテクチャは成功率、すなわち1.0Km未満のエラーが48.5%に等しいことを示した。
論文 参考訳(メタデータ) (2021-10-27T17:11:33Z) - Rainfall-Runoff Prediction at Multiple Timescales with a Single Long
Short-Term Memory Network [41.33870234564485]
長期記憶ネットワーク(Long Short-Term Memory Networks, LSTMs)は, 日常の放電予測に顕著な成功を収めている。
しかし、多くの現実的なシナリオはより粒度の細かい時間スケールで予測を必要とする。
本研究では,一つのモデル内で複数の時間スケールを共同で予測する2つのMulti-Timescale LSTMアーキテクチャを提案する。
これらのモデルを米国大陸の516の流域でテストし、米国水モデルに対するベンチマークを行った。
論文 参考訳(メタデータ) (2020-10-15T17:52:16Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z) - Object Tracking through Residual and Dense LSTMs [67.98948222599849]
LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。
DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。
ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
論文 参考訳(メタデータ) (2020-06-22T08:20:17Z) - Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network
for Forecasting Network-wide Traffic State with Missing Values [23.504633202965376]
我々は、RNNベースのモデルに注目し、RNNとその変種を交通予測モデルに組み込む方法を再検討する。
トラフィック状態予測のためのニューラルネットワーク構造の設計を支援するために,スタック型双方向・一方向LSTMネットワークアーキテクチャ(SBU-LSTM)を提案する。
また,LSTM構造(LSTM-I)におけるデータ計算機構を提案する。
論文 参考訳(メタデータ) (2020-05-24T00:17:15Z) - Depth-Adaptive Graph Recurrent Network for Text Classification [71.20237659479703]
S-LSTM(Sentence-State LSTM)は、高効率なグラフリカレントネットワークである。
そこで本研究では,S-LSTMの深度適応機構を提案する。
論文 参考訳(メタデータ) (2020-02-29T03:09:55Z)
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。