論文の概要: Origin-Destination Travel Time Oracle for Map-based Services
- arxiv url: http://arxiv.org/abs/2307.03048v1
- Date: Thu, 6 Jul 2023 15:14:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-07 13:34:53.354677
- Title: Origin-Destination Travel Time Oracle for Map-based Services
- Title（参考訳）: 地図ベースのサービスのための原位置旅行時間Oracle
- Authors: Yan Lin, Huaiyu Wan, Jilin Hu, Shengnan Guo, Bin Yang, Youfang Lin,
Christian S. Jensen
- Abstract要約: 原点(O)、目的地(D)、出発時刻(T)が与えられたとき、原点(ODT-Oracle)の移動時間(ODT-Oracle)は、Tで出発するときにOからDへの移動に要する時間を推定する。
このようなオーラクルの構築を可能にするために,過去の軌跡を利用してODペアの時間変化旅行時間を推定する旅行時間推定(TTE)ソリューションを提案する。
- 参考スコア（独自算出の注目度）: 39.33686092253748
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given an origin (O), a destination (D), and a departure time (T), an
Origin-Destination (OD) travel time oracle~(ODT-Oracle) returns an estimate of
the time it takes to travel from O to D when departing at T. ODT-Oracles serve
important purposes in map-based services. To enable the construction of such
oracles, we provide a travel-time estimation (TTE) solution that leverages
historical trajectories to estimate time-varying travel times for OD pairs.
The problem is complicated by the fact that multiple historical trajectories
with different travel times may connect an OD pair, while trajectories may vary
from one another. To solve the problem, it is crucial to remove outlier
trajectories when doing travel time estimation for future queries.
We propose a novel, two-stage framework called Diffusion-based
Origin-destination Travel Time Estimation (DOT), that solves the problem.
First, DOT employs a conditioned Pixelated Trajectories (PiT) denoiser that
enables building a diffusion-based PiT inference process by learning
correlations between OD pairs and historical trajectories. Specifically, given
an OD pair and a departure time, we aim to infer a PiT. Next, DOT encompasses a
Masked Vision Transformer~(MViT) that effectively and efficiently estimates a
travel time based on the inferred PiT. We report on extensive experiments on
two real-world datasets that offer evidence that DOT is capable of
outperforming baseline methods in terms of accuracy, scalability, and
explainability.
- Abstract（参考訳）: オリジン(o)、デスティネーション(d)、出発時刻(t)が与えられると、オリジン-デスティネーション(od)の旅行時間oracle~(odt-oracle)は、t.odt-oraclesがマップベースのサービスにおいて重要な目的を果たすときに、oからdへの旅行に要する時間の見積もりを返す。
このようなオーラクルの構築を可能にするため,過去の軌道を利用してODペアの時間変化旅行時間を推定する旅行時間推定(TTE)ソリューションを提案する。
この問題は、異なる旅行時間を持つ複数の歴史的な軌道がodペアを接続する可能性があり、一方、軌道は互いに異なる可能性があるという事実によって複雑である。
この問題を解決するためには、将来の問い合わせに対して旅行時間推定を行う際に、外乱軌道を除去することが重要である。
そこで本稿では,Diffusion-based Origin-Detination Travel Time Estimation (DOT)と呼ばれる新しい2段階のフレームワークを提案する。
第一に、DOTは、OD対と過去の軌跡との相関を学習することで拡散に基づくPiT推論プロセスの構築を可能にする、条件付きPixelated Trajectories (PiT)デノイザを採用している。
具体的には、ODペアと出発時間を考えると、PiTを推論することを目的としています。
次に、DOTは、推定されたPiTに基づいて、効率的に効率的に旅行時間を推定するMasked Vision Transformer~(MViT)を含む。
我々は,dotがベースラインメソッドよりも精度,スケーラビリティ,説明可能性において優れていることを示す2つの実世界のデータセットに関する広範な実験を報告する。
関連論文リスト
- Multitask Weakly Supervised Learning for Origin Destination Travel Time
Estimation [8.531695291898815]
本論文は,道路網とOD旅行時間とを組み合わせて推定し始める。
現在の経路の共発生確率を最大化する新たな経路回復関数が提案されている。
我々は、Xi'anとChengduで、幅広い現実世界のタクシーのデータセットの実験を行っている。
論文 参考訳（メタデータ） (2023-01-13T00:11:56Z) - Route to Time and Time to Route: Travel Time Estimation from Sparse
Trajectories [7.602975042011819]
本稿では,スパースシナリオにおける旅行時間推定(TTE)と経路回復の問題を解決することを目的とする。
我々は、この問題を、トレーニングデータが粗いラベルを持つ不正確な監督問題として定式化する。
本稿では,推定経路の走行時間をEステップの弱い監督によって推定し,Mステップの走行時間に基づいて経路を抽出するEMアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-21T14:16:58Z) - Averaging Spatio-temporal Signals using Optimal Transport and Soft
Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。
手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文 参考訳（メタデータ） (2022-03-11T09:46:22Z) - Fine-Grained Trajectory-based Travel Time Estimation for Multi-city
Scenarios Based on Deep Meta-Learning [18.786481521834762]
知的交通システム(ITS)では旅行時間推定(TTE)が不可欠である
多都市シナリオのための微粒なトラジェクトリベースの旅行時間推定(TTTE)を実現することは重要である。
本稿では,メタ学習をベースとしたMetaTTEを提案する。
論文 参考訳（メタデータ） (2022-01-20T06:35:51Z) - A Dataset for Answering Time-Sensitive Questions [88.95075983560331]
時間とは、我々の物理的世界において重要な次元である。多くの事実が時間に関して進化することができる。
時間次元を考慮し、既存のQAモデルに時間とともに推論する権限を与えることが重要です。
既存のQAデータセットには、時間に敏感な質問がほとんどないため、モデルの時間的推論能力の診断やベンチマークには適さない。
論文 参考訳（メタデータ） (2021-08-13T16:42:25Z) - Online Metro Origin-Destination Prediction via Heterogeneous Information
Aggregation [99.54200992904721]
我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。
ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。
DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。
提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
論文 参考訳（メタデータ） (2021-07-02T10:11:51Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z) - STAD: Spatio-Temporal Adjustment of Traffic-Oblivious Travel-Time
Estimation [1.1731001328350983]
本稿では,出先,目的地,出発時刻の形式で表現された旅行要求に対して,旅行時間推定を調節するシステムSTADを提案する。
STADは、機械学習とスパーストリップデータを使用して、基本的なルーティングエンジンの欠陥を学習する。
Doha、New York City、Portoの実際の旅行データセットの実験では、最初の2都市では14%、後者では29%の絶対誤差が減少している。
論文 参考訳（メタデータ） (2020-06-08T09:47:55Z) - FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。
異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。
実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
論文 参考訳（メタデータ） (2020-06-07T08:10:47Z) - TRIPDECODER: Study Travel Time Attributes and Route Preferences of Metro
Systems from Smart Card Data [7.09698718567578]
筆者らは,都道府県内の旅行の総時間に寄与する各旅行リンクの移動時間を推定する2つの推論タスクを戦略的に提案した。
TripDecoderは両方のデータセットで最高の精度と効率を達成する。
論文 参考訳（メタデータ） (2020-05-01T08:39:48Z)
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。