論文の概要: Enhancing Traffic Prediction with Learnable Filter Module

• arxiv url: http://arxiv.org/abs/2310.16063v1
• Date: Tue, 24 Oct 2023 09:16:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-26 18:59:01.143241
• Title: Enhancing Traffic Prediction with Learnable Filter Module
• Title（参考訳）: 学習可能なフィルタモジュールによる交通予測の強化
• Authors: Yuanshao Zhu, Yongchao Ye, Xiangyu Zhao, and James J.Q. Yu
• Abstract要約: 交通データのノイズは、その性質上モデル化が困難であり、過度に適合するリスクを引き起こす可能性がある。 本稿では,トラフィックデータのノイズを適応的にフィルタする学習可能なフィルタモジュールを提案する。 提案するモジュールは軽量で,既存のモデルとの統合が容易であり,トラフィック予測性能を大幅に向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 42.44466196331814
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modeling future traffic conditions often relies heavily on complex spatial-temporal neural networks to capture spatial and temporal correlations, which can overlook the inherent noise in the data. This noise, often manifesting as unexpected short-term peaks or drops in traffic observation, is typically caused by traffic accidents or inherent sensor vibration. In practice, such noise can be challenging to model due to its stochastic nature and can lead to overfitting risks if a neural network is designed to learn this behavior. To address this issue, we propose a learnable filter module to filter out noise in traffic data adaptively. This module leverages the Fourier transform to convert the data to the frequency domain, where noise is filtered based on its pattern. The denoised data is then recovered to the time domain using the inverse Fourier transform. Our approach focuses on enhancing the quality of the input data for traffic prediction models, which is a critical yet often overlooked aspect in the field. We demonstrate that the proposed module is lightweight, easy to integrate with existing models, and can significantly improve traffic prediction performance. Furthermore, we validate our approach with extensive experimental results on real-world datasets, showing that it effectively mitigates noise and enhances prediction accuracy.
• Abstract（参考訳）: 将来の交通条件のモデル化は、時間的および空間的相関を捉えるために複雑な空間-時間的ニューラルネットワークに大きく依存することが多い。 このノイズは、しばしば交通観測における予期せぬ短期的なピークや落下として現れ、交通事故や固有のセンサー振動によって引き起こされる。 実際には、そのようなノイズはその確率的性質のためにモデル化することが困難であり、ニューラルネットワークがこの振る舞いを学習するように設計された場合、リスクを過度に当てはめる可能性がある。 この問題に対処するために,トラフィックデータのノイズを適応的にフィルタする学習可能なフィルタモジュールを提案する。 このモジュールはフーリエ変換を利用して、そのパターンに基づいてノイズがフィルタリングされる周波数領域にデータを変換する。 離散データは逆フーリエ変換を用いて時間領域に復元される。 提案手法は,交通予測モデルにおける入力データの品質向上に重点を置いている。 提案するモジュールは軽量であり,既存モデルとの統合が容易であり,トラフィック予測性能を大幅に向上できることを示す。 さらに,実世界のデータセットに対する広範囲な実験結果を用いて検証を行い,ノイズを効果的に軽減し,予測精度を向上させることを示す。

関連論文リスト

• Continual Learning of Range-Dependent Transmission Loss for Underwater Acoustic using Conditional Convolutional Neural Net [0.0]
  本研究では,遠方界シナリオにおける水中放射音予測のための深層学習モデルの精度向上を目的としている。 そこで本稿では,海洋浴量測定データを入力に組み込んだ新しいレンジ条件畳み込みニューラルネットワークを提案する。 提案アーキテクチャは, 帯域依存性の異なる様々な浴量測定プロファイル上での透過損失を効果的に捕捉する。
  論文  参考訳（メタデータ） (2024-04-11T19:13:38Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Dynamic Frequency Domain Graph Convolutional Network for Traffic Forecasting [33.538633286142264]
  ランダム要因による交通パターンと騒音の時間変化は、データ駆動型空間依存モデリングを妨げている。 本研究では,空間依存性を捉えるために,新しい動的周波数領域グラフ畳み込みネットワーク(DFDGCN)を提案する。 実世界の4つのデータセットの実験において,本モデルは有効であり,ベースラインを上回っている。
  論文  参考訳（メタデータ） (2023-12-19T08:20:09Z)
• Distil the informative essence of loop detector data set: Is network-level traffic forecasting hungry for more data? [0.8002196839441036]
  本稿では,予測モデルのトレーニングに実際に有効なループデータのサンプル数を検討するために,不確実性を考慮したトラフィック予測フレームワークを提案する。 提案手法は,大規模トラフィックデータセットの真の情報内容を評価する上で有用である。
  論文  参考訳（メタデータ） (2023-10-31T11:23:10Z)
• Understanding and Mitigating the Label Noise in Pre-training on Downstream Tasks [91.15120211190519]
  本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。 雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T06:18:15Z)
• Newell's theory based feature transformations for spatio-temporal traffic prediction [0.0]
  本稿では,交通流予測のための深層学習(DL)モデルのための交通流物理に基づく変換機能を提案する。 この変換は、Newellがターゲット位置におけるトラフィックフローの非混雑フィルタを組み込んだもので、モデルがシステムのより広範なダイナミクスを学習できるようにする。 私たちのフレームワークの重要な利点は、データが利用できない新しい場所に転送できることです。
  論文  参考訳（メタデータ） (2023-07-12T06:31:43Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• STformer: A Noise-Aware Efficient Spatio-Temporal Transformer Architecture for Traffic Forecasting [7.230415327436048]
  本稿では,STformer という,交通予測の精度向上を目的とした新しいノイズ認識型リアルタイムアーキテクチャを提案する。 STformer はノイズ認識時空間自己アテンション (NATSA) とグラフベーススパース空間自己アテンション (GBS3A) の2つのコンポーネントから構成される。 4つの実世界のトラフィックデータセットの実験により、STformerは計算コストを下げて最先端のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2021-12-06T02:17:39Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• 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。