論文の概要: Large-Scale OD Matrix Estimation with A Deep Learning Method
- arxiv url: http://arxiv.org/abs/2310.05753v1
- Date: Mon, 9 Oct 2023 14:30:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-11 09:10:22.912181
- Title: Large-Scale OD Matrix Estimation with A Deep Learning Method
- Title（参考訳）: 深層学習法による大規模od行列推定
- Authors: Zheli Xiong, Defu Lian, Enhong Chen, Gang Chen and Xiaomin Cheng
- Abstract要約: 提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
- 参考スコア（独自算出の注目度）: 70.78575952309023
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The estimation of origin-destination (OD) matrices is a crucial aspect of
Intelligent Transport Systems (ITS). It involves adjusting an initial OD matrix
by regressing the current observations like traffic counts of road sections
(e.g., using least squares). However, the OD estimation problem lacks
sufficient constraints and is mathematically underdetermined. To alleviate this
problem, some researchers incorporate a prior OD matrix as a target in the
regression to provide more structural constraints. However, this approach is
highly dependent on the existing prior matrix, which may be outdated. Others
add structural constraints through sensor data, such as vehicle trajectory and
speed, which can reflect more current structural constraints in real-time. Our
proposed method integrates deep learning and numerical optimization algorithms
to infer matrix structure and guide numerical optimization. This approach
combines the advantages of both deep learning and numerical optimization
algorithms. The neural network(NN) learns to infer structural constraints from
probe traffic flows, eliminating dependence on prior information and providing
real-time performance. Additionally, due to the generalization capability of
NN, this method is economical in engineering. We conducted tests to demonstrate
the good generalization performance of our method on a large-scale synthetic
dataset. Subsequently, we verified the stability of our method on real traffic
data. Our experiments provided confirmation of the benefits of combining NN and
numerical optimization.
- Abstract（参考訳）: 起源決定行列(OD)の推定は、インテリジェントトランスポートシステム(ITS)の重要な側面である。
これは、道路区間の交通量(例えば、最小二乗数)のような現在の観測を後退させることで、初期od行列を調整することを伴う。
しかし、od推定問題は十分な制約がなく、数学的に不確定である。
この問題を緩和するため、一部の研究者は、より構造的な制約を提供するために、事前のOD行列を回帰のターゲットとして組み込んだ。
しかし、このアプローチは、古いかもしれない既存の事前行列に大きく依存している。
車両の軌道や速度などのセンサデータを通じて構造的制約を加えることで、より現在の構造的制約をリアルタイムに反映することができる。
深層学習アルゴリズムと数値最適化アルゴリズムを統合し,行列構造を推定し,数値最適化の指導を行う。
このアプローチは、ディープラーニングと数値最適化アルゴリズムの両方の利点を組み合わせる。
ニューラルネットワーク(NN)は、プローブトラフィックフローから構造的制約を推論し、事前情報への依存を排除し、リアルタイムのパフォーマンスを提供する。
さらに、NNの一般化能力により、この手法は工学的にも経済的である。
大規模合成データセットにおいて,提案手法の優れた一般化性能を示す実験を行った。
その後,本手法の安定性を実交通データ上で検証した。
実験により,NNと数値最適化を組み合わせる利点が確認できた。
関連論文リスト
- Efficient and Robust Freeway Traffic Speed Estimation under Oblique Grid using Vehicle Trajectory Data [19.01488741469791]
斜め交通速度を正確に推定するための効率的でロバストな低ランクモデルを提案する。
提案手法は,TSEシナリオにおけるルート平均角誤差(RMSE)を最大12%改善する。
最先端のSOTA(State-of-the-art)メソッドよりも20倍以上高速に動作します。
論文 参考訳（メタデータ） (2024-11-06T15:13:40Z) - OTClean: Data Cleaning for Conditional Independence Violations using
Optimal Transport [51.6416022358349]
sysは、条件付き独立性(CI)制約下でのデータ修復に最適な輸送理論を利用するフレームワークである。
我々はSinkhornの行列スケーリングアルゴリズムにインスパイアされた反復アルゴリズムを開発し、高次元および大規模データを効率的に処理する。
論文 参考訳（メタデータ） (2024-03-04T18:23:55Z) - Application of deep and reinforcement learning to boundary control
problems [0.6906005491572401]
目的は、囲まれたドメインが所望の状態値に達するように、ドメイン境界に対する最適な値を見つけることである。
本研究は,ディープラーニングと強化学習による境界制御問題の解決の可能性を探る。
論文 参考訳（メタデータ） (2023-10-21T10:56:32Z) - A DeepLearning Framework for Dynamic Estimation of Origin-Destination
Sequence [63.70447384033326]
本稿では,ODシーケンスの構造を推論する深層学習手法と,従来の数値最適化を導く構造制約を用いた統合手法を提案する。
実験の結果,ニューラルネットワークはODシーケンスの構造を効果的に推論し,数値最適化のための実用的な制約を提供することで,より良い結果が得られることがわかった。
論文 参考訳（メタデータ） (2023-07-11T04:58:45Z) - Data efficient reinforcement learning and adaptive optimal perimeter
control of network traffic dynamics [0.0]
本研究は、適応最適周波制御のためのマクロトラフィックダイナミクスの学習のための積分強化学習(IRL)に基づくアプローチを提案する。
サンプリングの複雑さを低減し、利用可能なデータをより効率的に利用するために、IRLアルゴリズムに経験再生(ER)技術を導入している。
IRLに基づくアルゴリズムの収束と制御された交通力学の安定性は、リャプノフ理論によって証明される。
論文 参考訳（メタデータ） (2022-09-13T04:28:49Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳（メタデータ） (2022-05-19T08:37:56Z) - Conservative Objective Models for Effective Offline Model-Based
Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。
本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。
COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文 参考訳（メタデータ） (2021-07-14T17:55:28Z) - Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。
このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。
本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
論文 参考訳（メタデータ） (2021-05-21T00:08:06Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z)
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。