論文の概要: A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic
Flow Forecasting
- arxiv url: http://arxiv.org/abs/2303.17782v1
- Date: Fri, 31 Mar 2023 03:07:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 15:29:54.439921
- Title: A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic
Flow Forecasting
- Title（参考訳）: 短期交通流予測のための低速シフト型機械学習手法
- Authors: Zann Koh, Yan Qin, Yong Liang Guan, Chau Yuen
- Abstract要約: トラフィックフロー予測における重要な課題は、毎日のサイクルと毎週のサイクルの間の時間的ピークの緩やかなシフトである。
本稿では,2つの部分を含む交通流予測のためのスローシフト型機械学習手法を提案する。
提案手法は,ルート平均二乗誤差と平均絶対パーセンテージ誤差を用いて,最先端の結果を14.55%,62.56%向上させる。
- 参考スコア（独自算出の注目度）: 21.6456624219159
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The ability to predict traffic flow over time for crowded areas during rush
hours is increasingly important as it can help authorities make informed
decisions for congestion mitigation or scheduling of infrastructure development
in an area. However, a crucial challenge in traffic flow forecasting is the
slow shifting in temporal peaks between daily and weekly cycles, resulting in
the nonstationarity of the traffic flow signal and leading to difficulty in
accurate forecasting. To address this challenge, we propose a slow shifting
concerned machine learning method for traffic flow forecasting, which includes
two parts. First, we take advantage of Empirical Mode Decomposition as the
feature engineering to alleviate the nonstationarity of traffic flow data,
yielding a series of stationary components. Second, due to the superiority of
Long-Short-Term-Memory networks in capturing temporal features, an advanced
traffic flow forecasting model is developed by taking the stationary components
as inputs. Finally, we apply this method on a benchmark of real-world data and
provide a comparison with other existing methods. Our proposed method
outperforms the state-of-art results by 14.55% and 62.56% using the metrics of
root mean squared error and mean absolute percentage error, respectively.
- Abstract（参考訳）: ラッシュ時における混雑地域における交通流の予測能力は,渋滞緩和やインフラ整備の計画について当局が決定を下すのに役立つため,ますます重要になっている。
しかし、交通流予測における重要な課題は、日周期と週周期の時間ピークの緩やかなシフトであり、その結果、交通流信号の非定常性が生じ、正確な予測が困難になる。
この課題に対処するために,2つの部分を含む交通流予測のためのスローシフト型機械学習手法を提案する。
まず,交通流データの非定常性を緩和する機能工学として,経験的モード分解を利用する。
第2に、時間的特徴の把握における短期的メモリネットワークの優位性から、静止成分を入力として高度なトラヒックフロー予測モデルを構築する。
最後に,本手法を実世界のデータベンチマークに適用し,既存手法との比較を行う。
提案手法は,ルート平均二乗誤差と平均絶対パーセンテージ誤差を用いて,最先端の結果を14.55%,62.56%向上させる。
関連論文リスト
- A Multi-Channel Spatial-Temporal Transformer Model for Traffic Flow Forecasting [0.0]
交通流予測のための多チャンネル時空間変圧器モデルを提案する。
トラフィックデータの異なるチャネルから結果を抽出することにより、予測の精度を向上させる。
6つの実世界のデータセットの実験結果から,時間モデルにマルチチャネル機構を導入することにより,性能が向上することが示された。
論文 参考訳（メタデータ） (2024-05-10T06:37:07Z) - An Application of Vector Autoregressive Model for Analyzing the Impact
of Weather And Nearby Traffic Flow On The Traffic Volume [0.0]
本稿では,付近の交通量と気象条件に基づいて,ある道路区間における交通流を予測することを目的とする。
また,気象条件や付近の交通量が目標地点の交通量に与える影響も確認した。
論文 参考訳（メタデータ） (2023-11-12T16:45:29Z) - 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) - Multi-graph Spatio-temporal Graph Convolutional Network for Traffic Flow
Prediction [0.5551832942032954]
毎日の交通量予測は、ネットワーク全体の料金所で依然として課題に直面している。
本稿では,流路時間深度学習による日中交通流ハイウェイ領域の相関予測手法を提案する。
本手法は,ビジネスにおけるベースラインや実践的利益よりも予測精度が向上したことを示す。
論文 参考訳（メタデータ） (2023-08-10T14:20:43Z) - Towards better traffic volume estimation: Jointly addressing the
underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。
上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
論文 参考訳（メタデータ） (2023-03-10T02:22:33Z) - 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) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Accurate non-stationary short-term traffic flow prediction method [0.0]
本稿では,Long Short-Term Memory (LSTM) に基づく,短時間のトラフィックフローを正確に予測できる手法を提案する。
提案手法は, 極端外れ値, 遅延効果, トレンド変化応答に対して, 優れた性能を有する他の最先端手法に対して良好に動作する。
論文 参考訳（メタデータ） (2022-05-01T17:11:34Z) - 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) - 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) - Short-Term Traffic Forecasting Using High-Resolution Traffic Data [2.0625936401496237]
本稿では,高分解能(イベントベース)トラフィックデータを用いた交通予測のためのデータ駆動ツールキットを開発した。
提案手法は,アラブ首長国連邦アブダビの現実世界の交通ネットワークから得られた高分解能データを用いて検証した。
論文 参考訳（メタデータ） (2020-06-22T14:26:19Z)
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。