Fugu-MT 論文翻訳(概要): ST-GIN: An Uncertainty Quantification Approach in Traffic Data Imputation with Spatio-temporal Graph Attention and Bidirectional Recurrent United Neural Networks

論文の概要: ST-GIN: An Uncertainty Quantification Approach in Traffic Data Imputation with Spatio-temporal Graph Attention and Bidirectional Recurrent United Neural Networks

arxiv url: http://arxiv.org/abs/2305.06480v3
Date: Sat, 9 Sep 2023 19:41:38 GMT
ステータス: 処理完了
システム内更新日: 2023-09-12 21:42:58.457194
Title: ST-GIN: An Uncertainty Quantification Approach in Traffic Data Imputation with Spatio-temporal Graph Attention and Bidirectional Recurrent United Neural Networks
Title（参考訳）: ST-GIN:時空間グラフアテンションと双方向再帰型ニューラルネットを用いた交通データインプットの不確かさ定量化手法
Authors: Zepu Wang, Dingyi Zhuang, Yankai Li, Jinhua Zhao, Peng Sun, Shenhao Wang, Yulin Hu
Abstract要約: 本稿では、欠落したデータを計算するための革新的な深層学習手法を提案する。グラフアテンションアーキテクチャを用いて、交通データに存在する空間的相関をキャプチャする。双方向ニューラルネットワークを用いて時間情報を学習する。
参考スコア（独自算出の注目度）: 18.66289473659838
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Traffic data serves as a fundamental component in both research and applications within intelligent transportation systems. However, real-world transportation data, collected from loop detectors or similar sources, often contains missing values (MVs), which can adversely impact associated applications and research. Instead of discarding this incomplete data, researchers have sought to recover these missing values through numerical statistics, tensor decomposition, and deep learning techniques. In this paper, we propose an innovative deep learning approach for imputing missing data. A graph attention architecture is employed to capture the spatial correlations present in traffic data, while a bidirectional neural network is utilized to learn temporal information. Experimental results indicate that our proposed method outperforms all other benchmark techniques, thus demonstrating its effectiveness.
Abstract（参考訳）: 交通データは、インテリジェント交通システムにおける研究と応用の両方において、基本的な要素となっている。しかしながら、ループ検出器または類似のソースから収集された現実世界の輸送データは、しばしば欠落値(mvs)を含んでおり、関連するアプリケーションや研究に悪影響を及ぼす可能性がある。この不完全なデータを破棄する代わりに、数値統計、テンソル分解、深層学習技術を通じて、これらの欠落した値を復元しようと試みてきた。本稿では,欠落データに対する革新的な深層学習手法を提案する。トラフィックデータに存在する空間的相関を捉えるためにグラフアテンションアーキテクチャを用い、双方向ニューラルネットワークを用いて時間的情報を学ぶ。実験の結果,提案手法は他のベンチマーク手法よりも優れており,その有効性が示された。

関連論文リスト

Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文参考訳（メタデータ） (2023-02-06T16:38:43Z)
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)
A Latent Feature Analysis-based Approach for Spatio-Temporal Traffic Data Recovery [3.84562917529518]
データ駆動知能(ITS)におけるミスは必然的で一般的な問題である本稿では,隠れ特徴分析に基づくリアルタイムトラフィックデータ補完手法を提案する。その結果,連続的欠落したデータを正確に推定できることが示唆された。
論文参考訳（メタデータ） (2022-08-16T13:21:46Z)
Learning spatiotemporal features from incomplete data for traffic flow prediction using hybrid deep neural networks [0.28675177318965034]
本研究では,カリフォルニア・フリーウェイ・パフォーマンス・計測システム(PeMS)のトラフィックフローを,欠落した値で予測するハイブリッドディープニューラルネットワークに焦点を当てた。 RNNとCNNをベースとして,並列接続と並列接続の異なるアーキテクチャ構成が検討されている。 PeMSから得られた2つの異なるデータセットを総合的に分析した結果,平均計算手法を用いたシリーズ並列ハイブリッドネットワークは,交通流の予測において最も低い誤差を達成できることがわかった。
論文参考訳（メタデータ） (2022-04-21T15:57:08Z)
Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文参考訳（メタデータ） (2021-11-03T03:50:48Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
Leveraging Evidential Deep Learning Uncertainties with Graph-based Clustering to Detect Anomalies [1.525943491541265]
本稿では,自動識別システム(AIS)データを用いた船舶のクラスタ軌道に対するグラフベーストラフィック表現手法を提案する。本稿では,深層学習(DL)に基づく不確実性推定を海洋異常の検出に利用することを提案する。
論文参考訳（メタデータ） (2021-07-04T06:31:59Z)
Estimation of Missing Data in Intelligent Transportation System [5.936402320555635]
インテリジェント交通システム(ITS)における交通速度の欠落と走行時間推定に関する研究 MLに基づくマルチ方向性リカレントニューラルネットワーク(M-RNN)に焦点をあてる。このアプローチの有効性をTomTomデータセットで評価し、平均車両速度と走行時間を測定します。
論文参考訳（メタデータ） (2021-01-09T05:42:31Z)
IGANI: Iterative Generative Adversarial Networks for Imputation with Application to Traffic Data [2.741266294612776]
本研究はIGANI(Iterative Generative Adversarial Networks for Imputation)と呼ばれる新しい反復型GANアーキテクチャを導入する。 IGANIは2つのステップでデータをインプットし、生成インプタの可逆性を維持する。提案アルゴリズムは, 従来のGANベースの計算アーキテクチャと比較して, より正確な結果が得られた。
論文参考訳（メタデータ） (2020-08-11T16:46:02Z)
BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文参考訳（メタデータ） (2020-03-09T08:16:16Z)
Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。