論文の概要: STDA-Meta: A Meta-Learning Framework for Few-Shot Traffic Prediction
- arxiv url: http://arxiv.org/abs/2310.20223v1
- Date: Tue, 31 Oct 2023 06:52:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 16:09:15.125946
- Title: STDA-Meta: A Meta-Learning Framework for Few-Shot Traffic Prediction
- Title（参考訳）: STDA-Meta:Few-Shotトラフィック予測のためのメタ学習フレームワーク
- Authors: Maoxiang Sun, Weilong Ding, Tianpu Zhang, Zijian Liu, Mengda Xing
- Abstract要約: 本稿では,データ満足な都市から移動可能なメタ知識を対角的に学習する新しい時間領域適応(STDA)手法を提案する。
この学習されたメタ知識は、データスカース都市の予測性能を向上させることができる。
具体的には,モデル・アテンポラル・メタラーニング(MAML)に基づくエピソード学習プロセスを用いてSTDAモデルを訓練する。
- 参考スコア（独自算出の注目度）: 5.502177196766933
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As the development of cities, traffic congestion becomes an increasingly
pressing issue, and traffic prediction is a classic method to relieve that
issue. Traffic prediction is one specific application of spatio-temporal
prediction learning, like taxi scheduling, weather prediction, and ship
trajectory prediction. Against these problems, classical spatio-temporal
prediction learning methods including deep learning, require large amounts of
training data. In reality, some newly developed cities with insufficient
sensors would not hold that assumption, and the data scarcity makes predictive
performance worse. In such situation, the learning method on insufficient data
is known as few-shot learning (FSL), and the FSL of traffic prediction remains
challenges. On the one hand, graph structures' irregularity and dynamic nature
of graphs cannot hold the performance of spatio-temporal learning method. On
the other hand, conventional domain adaptation methods cannot work well on
insufficient training data, when transferring knowledge from different domains
to the intended target domain.To address these challenges, we propose a novel
spatio-temporal domain adaptation (STDA) method that learns transferable
spatio-temporal meta-knowledge from data-sufficient cities in an adversarial
manner. This learned meta-knowledge can improve the prediction performance of
data-scarce cities. Specifically, we train the STDA model using a
Model-Agnostic Meta-Learning (MAML) based episode learning process, which is a
model-agnostic meta-learning framework that enables the model to solve new
learning tasks using only a small number of training samples. We conduct
numerous experiments on four traffic prediction datasets, and our results show
that the prediction performance of our model has improved by 7\% compared to
baseline models on the two metrics of MAE and RMSE.
- Abstract（参考訳）: 都市の発展に伴い、交通渋滞はますます深刻な問題となり、交通予測はその問題を緩和するための古典的な方法である。
交通予測は、タクシーのスケジューリング、天気予報、船舶の軌道予測のような時空間予測学習の特定の応用である。
これらの問題に対して、ディープラーニングを含む古典時空間予測学習法は、大量のトレーニングデータを必要とする。
実際には、センサーが不十分な新しい都市では、その仮定を守れず、データの不足は予測性能を悪化させる。
このような状況下では、不十分なデータに対する学習方法は、少ショット学習(FSL)と呼ばれ、交通予測のFSLは依然として課題である。
一方,グラフ構造の不規則性と動的性質は時空間学習法の性能を保持できない。
一方,異なる領域から対象領域に知識を移す場合,従来の領域適応法は不十分なトレーニングデータではうまく機能しない。これらの課題に対処するため,データ不足都市から移動可能な時空間的メタ知識を相反的に学習する新しい時空間的領域適応法を提案する。
この学習されたメタ知識は、データスカース都市の予測性能を向上させることができる。
具体的には,モデルに依存しないメタラーニング(MAML)に基づくエピソード学習プロセスを用いてSTDAモデルを訓練する。
本研究では,4つのトラヒック予測データセットについて多数の実験を行い,本モデルの予測性能がmaeとrmseの2つの指標のベースラインモデルと比較して7\%向上したことを示す。
関連論文リスト
- What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。
モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
論文 参考訳（メタデータ） (2024-11-12T09:52:40Z) - 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) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - TPLLM: A Traffic Prediction Framework Based on Pretrained Large Language Models [27.306180426294784]
大規模言語モデル(LLM)を利用した新しい交通予測フレームワークであるTPLLMを紹介する。
本フレームワークでは,Lonal Neural Networks (LoCNNs) に基づくシーケンス埋め込み層と,Graph Contemporalal Networks (GCNs) に基づくグラフ埋め込み層を構築し,シーケンスの特徴と空間的特徴を抽出する。
実世界の2つのデータセットの実験では、フルサンプルと数ショットの予測シナリオの両方で、満足できるパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-03-04T17:08:57Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - EANet: Expert Attention Network for Online Trajectory Prediction [5.600280639034753]
Expert Attention Networkは、軌道予測のための完全なオンライン学習フレームワークである。
我々は,ネットワーク層の深さの異なる重みを調整し,勾配問題によるモデル更新が遅いことを回避し,専門家の注意を喚起する。
さらに,シナリオ変化に敏感な短期動作トレンドカーネル関数を提案する。
論文 参考訳（メタデータ） (2023-09-11T07:09:40Z) - NodeTrans: A Graph Transfer Learning Approach for Traffic Prediction [33.299309349152146]
少ないデータでトラフィック予測を解くために,新しいトランスファー学習手法を提案する。
まず、異なる道路ネットワークのノード固有の時空間トラフィックパターンをキャプチャできる時空間グラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-07-04T10:06:20Z) - Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge
Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。
本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。
本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文 参考訳（メタデータ） (2022-05-27T12:46:52Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - Transfer Learning and Online Learning for Traffic Forecasting under
Different Data Availability Conditions: Alternatives and Pitfalls [7.489793155793319]
本研究の目的は,不在データのシナリオにおいて,交通流予測モデルを開発するための伝達学習(TL)の可能性を明らかにすることである。
従来のバッチ学習は,マドリード市議会(スペイン)が管理するデプロイループによって収集される,実際のトラフィックフローデータを用いたTLベースモデルと比較される。
さらに,交通の流れの変化に適応し,新たな交通データから漸進的に学習するために,各予測の後にモデルが更新を受けるオンライン学習(OL)手法を適用した。
論文 参考訳（メタデータ） (2020-05-08T10:53:49Z) - New Perspectives on the Use of Online Learning for Congestion Level
Prediction over Traffic Data [6.664111208927475]
本研究は時系列データによる分類に焦点を当てる。
非定常現象によって時系列が生成されると、予測されるクラスと系列に関連するパターンは時間とともに進化する。
オンライン学習方法は、時間とともに到着する新しいデータサンプルから漸進的に学習し、データストリームに沿った最終的な変更に対応する。
論文 参考訳（メタデータ） (2020-03-27T09:44:57Z)
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。