論文の概要: Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank
- arxiv url: http://arxiv.org/abs/2308.09727v1
- Date: Thu, 17 Aug 2023 13:29:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 20:07:54.927808
- Title: Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank
- Title（参考訳）: 交通パターンバンクによる都市間交通予測
- Authors: Zhanyu Liu, Guanjie Zheng, Yanwei Yu
- Abstract要約: 交通パターンバンク(TPB)を用いた都市間交通予測フレームワークを提案する。
TPBは、訓練済みのトラフィックパッチエンコーダを使用して、データ豊富な都市からの生のトラフィックデータを高次元空間に投影する。
隣接行列は、下流の時空間モデルで将来のトラフィックを予測するために構成される。
- 参考スコア（独自算出の注目度）: 15.123457772023238
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic forecasting is a critical service in Intelligent Transportation
Systems (ITS). Utilizing deep models to tackle this task relies heavily on data
from traffic sensors or vehicle devices, while some cities might lack device
support and thus have few available data. So, it is necessary to learn from
data-rich cities and transfer the knowledge to data-scarce cities in order to
improve the performance of traffic forecasting. To address this problem, we
propose a cross-city few-shot traffic forecasting framework via Traffic Pattern
Bank (TPB) due to that the traffic patterns are similar across cities. TPB
utilizes a pre-trained traffic patch encoder to project raw traffic data from
data-rich cities into high-dimensional space, from which a traffic pattern bank
is generated through clustering. Then, the traffic data of the data-scarce city
could query the traffic pattern bank and explicit relations between them are
constructed. The metaknowledge is aggregated based on these relations and an
adjacency matrix is constructed to guide a downstream spatial-temporal model in
forecasting future traffic. The frequently used meta-training framework Reptile
is adapted to find a better initial parameter for the learnable modules.
Experiments on real-world traffic datasets show that TPB outperforms existing
methods and demonstrates the effectiveness of our approach in cross-city
few-shot traffic forecasting.
- Abstract（参考訳）: 交通予報は知的交通システム(ITS)において重要なサービスである。
このタスクに取り組むためにディープモデルを利用することは、交通センサーや車両機器のデータに大きく依存するが、一部の都市ではデバイスのサポートが不足しているため、利用可能なデータはほとんどない。
そのため、交通予測の性能を向上させるためには、データ豊かな都市から学び、知識をデータ収集都市に転送する必要がある。
この問題を解決するため,交通パターンが都市間で類似していることから,交通パターンバンク(TPB)を介して都市間交通予測フレームワークを提案する。
TPBは、事前訓練されたトラフィックパッチエンコーダを使用して、データ豊富な都市からの生トラフィックデータを高次元空間に投影する。
そして、データ共有都市の交通データをトラフィックパターンバンクに問い合わせ、それら間の明示的な関係を構築する。
これらの関係に基づいてメタ知識を集約し、将来のトラフィックを予測するために下流の時空間モデルを導くために隣接行列を構築する。
頻繁に使用されるメタトレーニングフレームワークであるReptileは、学習可能なモジュールのより優れた初期パラメータを見つけるように適応されている。
実世界のトラヒックデータセットを用いた実験では,tpbが既存手法を上回っており,都市間交通予測における提案手法の有効性を実証している。
関連論文リスト
- Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。
単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
論文 参考訳（メタデータ） (2025-01-07T03:23:28Z) - Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。
近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。
我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文 参考訳（メタデータ） (2024-10-28T09:19:29Z) - BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。
本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。
本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文 参考訳（メタデータ） (2024-03-08T04:19:56Z) - Multi-scale Traffic Pattern Bank for Cross-city Few-shot Traffic
Forecasting [15.123457772023238]
本稿では,マルチスケール交通パターンバンクと呼ばれる都市間交通予測問題に対する解決策を提案する。
このフレームワークは高度なクラスタリング技術を用いて、マルチスケールのトラフィックパターンバンクを体系的に生成する。
実世界の交通データセットを用いた実証評価により,MTPBの優れた性能が確認された。
論文 参考訳（メタデータ） (2024-02-01T07:33:31Z) - MA2GCN: Multi Adjacency relationship Attention Graph Convolutional
Networks for Traffic Prediction using Trajectory data [1.147374308875151]
本稿では,新しい交通渋滞予測モデルを提案する。マルチアジャシエンス関係アテンショングラフ畳み込みネットワーク(MA2GCN)。
車両軌跡データをグリッド形式でグラフ構造化データに変換し、異なるグリッド間の移動量に基づいて車両の進入・退避行列を提案した。
複数のベースラインと比較すると,上海タクシーのGPSトラジェクトリ・データセットで最高の性能を示した。
論文 参考訳（メタデータ） (2024-01-16T14:22:44Z) - Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity
Analysis [6.8775337739726226]
本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。
本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
論文 参考訳（メタデータ） (2023-08-20T14:31:55Z) - Traffic Prediction with Transfer Learning: A Mutual Information-based
Approach [11.444576186559487]
そこで我々は,他の都市からのビッグデータを用いて交通予測を行う都市間交通予測手法であるTrafficTLを提案する。
TrafficTLは3つの実世界のデータセットの包括的なケーススタディによって評価され、最先端のベースラインを約8～25%上回る。
論文 参考訳（メタデータ） (2023-03-13T15:27:07Z) - STCGAT: Spatial-temporal causal networks for complex urban road traffic
flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。
既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。
本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文 参考訳（メタデータ） (2022-03-21T06:38:34Z) - 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) - Deep traffic light detection by overlaying synthetic context on
arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。
このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。
また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文 参考訳（メタデータ） (2020-11-07T19:57:22Z)
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。