論文の概要: FRIGATE: Frugal Spatio-temporal Forecasting on Road Networks

• arxiv url: http://arxiv.org/abs/2306.08277v1
• Date: Wed, 14 Jun 2023 06:28:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 20:16:47.334780
• Title: FRIGATE: Frugal Spatio-temporal Forecasting on Road Networks
• Title（参考訳）: FRIGATE:Frugal Spatio-temporal Preecasting on Road Networks (英語)
• Authors: Mridul Gupta, Hariprasad Kodamana, Sayan Ranu
• Abstract要約: 既存の作業は、現実の道路網では実用的でない3つの仮定に基づいて構築されている。 我々はこれらの欠点に対処するためにFRIGATEを開発した。 FRIGATEは、位置、トポロジカル、時間表現をリッチな帰納的表現に統合する時間的Gnnによって駆動される。
• 参考スコア（独自算出の注目度）: 6.9035500229531745
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modelling spatio-temporal processes on road networks is a task of growing importance. While significant progress has been made on developing spatio-temporal graph neural networks (Gnns), existing works are built upon three assumptions that are not practical on real-world road networks. First, they assume sensing on every node of a road network. In reality, due to budget-constraints or sensor failures, all locations (nodes) may not be equipped with sensors. Second, they assume that sensing history is available at all installed sensors. This is unrealistic as well due to sensor failures, loss of packets during communication, etc. Finally, there is an assumption of static road networks. Connectivity within networks change due to road closures, constructions of new roads, etc. In this work, we develop FRIGATE to address all these shortcomings. FRIGATE is powered by a spatio-temporal Gnn that integrates positional, topological, and temporal information into rich inductive node representations. The joint fusion of this diverse information is made feasible through a novel combination of gated Lipschitz embeddings with Lstms. We prove that the proposed Gnn architecture is provably more expressive than message-passing Gnns used in state-of-the-art algorithms. The higher expressivity of FRIGATE naturally translates to superior empirical performance conducted on real-world network-constrained traffic data. In addition, FRIGATE is robust to frugal sensor deployment, changes in road network connectivity, and temporal irregularity in sensing.
• Abstract（参考訳）: 道路網における時空間過程のモデル化は重要度を高める課題である。 時空間グラフニューラルネットワーク(gnns)の開発には大きな進展があるが、既存の研究は現実の道路網では実用的でない3つの仮定に基づいている。 まず、道路ネットワークのすべてのノードを検知すると仮定する。 実際には、予算制約やセンサーの故障のため、すべての位置(ノード)にはセンサーが備わっていない。 第2に、すべてのセンサーでセンサー履歴が利用できると仮定する。 これは、センサーの故障、通信中のパケットの損失など、非現実的である。 最後に、静的な道路網の仮定がある。 道路の閉鎖や新道路の建設などにより、ネットワーク内の接続性は変化する。 この作業では、これらの欠点に対処するためにフリゲートを開発します。 FRIGATEは、位置情報、位相情報、時間情報をリッチな帰納ノード表現に統合する時空間Gnnによって駆動される。 この多様な情報の融合は、Lstms と gated Lipschitz の埋め込みによる新しい組み合わせによって実現可能である。 提案するgnnアーキテクチャは,最先端アルゴリズムで使用されるメッセージパッシングgnnよりも表現力が高いことが証明される。 FRIGATEの高い表現性は、実世界のネットワーク制約されたトラフィックデータに対して行われる経験的性能に自然に変換される。 さらに、フルールセンサーの展開、道路網の接続性の変化、センシングの時間的不規則性にも耐えられる。

関連論文リスト

• Temporal Graph Learning Recurrent Neural Network for Traffic Forecasting [27.20703077756038]
  これらの問題に対処するため,TGLRN(Temporal Graph Learning Recurrent Neural Network)を提案する。 より正確には、時系列の性質を効果的にモデル化するために、リカレントニューラルネットワーク(RNN)を活用し、各ステップでグラフを動的に構築する。 実世界の4つのベンチマークデータセットの実験結果から, TGLRNの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-04T19:08:40Z)
• Sensor Placement for Learning in Flow Networks [6.680930089714339]
  本稿では,ネットワークのセンサ配置問題について検討する。 まず, 流れの保存仮定に基づいて問題を定式化し, 最適に固定されたセンサを配置することがNPハードであることを示す。 次に,大規模ネットワークにスケールするセンサ配置のための効率よく適応的なグリージーを提案する。
  論文  参考訳（メタデータ） (2023-12-12T01:08:08Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• 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)
• NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for Autonomous Driving [57.03126447713602]
  本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。 ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
  論文  参考訳（メタデータ） (2022-09-29T01:30:34Z)
• SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
  スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。 本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。 本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:55:37Z)
• 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)
• Predicting Pedestrian Crossing Intention with Feature Fusion and Spatio-Temporal Attention [0.0]
  歩行者の交差の意図は都市運転のためにリアルタイムで認識されるべきです。 最近の研究は、このタスクに視覚ベースのディープニューラルネットワークモデルを使用することの可能性を示している。 本研究は,歩行者横断意図予測において,本質的に異なる時間的特徴を融合するニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-04-12T14:10:25Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• Real-time Fusion Network for RGB-D Semantic Segmentation Incorporating Unexpected Obstacle Detection for Road-driving Images [13.3382165879322]
  RFNetと呼ばれるリアルタイムな融合セマンティックセグメンテーションネットワークを提案する。 RFNetは迅速な実行が可能で、自動運転車のアプリケーションを満たす。 Cityscapesでは,従来の最先端セマンティックセマンティックセマンティックセマンティックスよりも優れた精度と22Hzの推論速度で優れていた。
  論文  参考訳（メタデータ） (2020-02-24T22:17:25Z)

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。