論文の概要: Distil the informative essence of loop detector data set: Is
network-level traffic forecasting hungry for more data?
- arxiv url: http://arxiv.org/abs/2310.20366v1
- Date: Tue, 31 Oct 2023 11:23:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 15:33:32.467568
- Title: Distil the informative essence of loop detector data set: Is
network-level traffic forecasting hungry for more data?
- Title(参考訳): ループ検出器データセットの情報的本質:ネットワークレベルのトラフィック予測はより多くのデータに飢えているか?
- Authors: Guopeng Li, Victor L. Knoop, J.W.C.(Hans) van Lint
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.8002196839441036
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Network-level traffic condition forecasting has been intensively studied for
decades. Although prediction accuracy has been continuously improved with
emerging deep learning models and ever-expanding traffic data, traffic
forecasting still faces many challenges in practice. These challenges include
the robustness of data-driven models, the inherent unpredictability of traffic
dynamics, and whether further improvement of traffic forecasting requires more
sensor data. In this paper, we focus on this latter question and particularly
on data from loop detectors. To answer this, we propose an uncertainty-aware
traffic forecasting framework to explore how many samples of loop data are
truly effective for training forecasting models. Firstly, the model design
combines traffic flow theory with graph neural networks, ensuring the
robustness of prediction and uncertainty quantification. Secondly, evidential
learning is employed to quantify different sources of uncertainty in a single
pass. The estimated uncertainty is used to "distil" the essence of the dataset
that sufficiently covers the information content. Results from a case study of
a highway network around Amsterdam show that, from 2018 to 2021, more than 80\%
of the data during daytime can be removed. The remaining 20\% samples have
equal prediction power for training models. This result suggests that indeed
large traffic datasets can be subdivided into significantly smaller but equally
informative datasets. From these findings, we conclude that the proposed
methodology proves valuable in evaluating large traffic datasets' true
information content. Further extensions, such as extracting smaller, spatially
non-redundant datasets, are possible with this method.
- Abstract(参考訳): ネットワークレベルの交通状況予測は数十年にわたって集中的に研究されてきた。
新たなディープラーニングモデルや拡大するトラフィックデータによって予測精度は継続的に改善されているが、トラフィック予測は実際には多くの課題に直面している。
これらの課題には、データ駆動モデルの堅牢性、トラフィックダイナミクスの固有の予測不可能性、さらに多くのセンサデータを必要とするトラフィック予測の改善などが含まれる。
本稿では,後者の問題,特にループ検出器のデータに焦点をあてる。
そこで本稿では,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。
まず、モデル設計はトラフィックフロー理論とグラフニューラルネットワークを結合し、予測と不確実性定量化の堅牢性を保証する。
第二に、実証学習は1つのパスで異なる不確実性の源を定量化するために用いられる。
推定の不確実性は、情報コンテンツを完全にカバーするデータセットの本質を「分散」するために使用される。
アムステルダム周辺の高速道路網のケーススタディの結果、2018年から2021年にかけて、日中のデータのうち80\%以上を除去できることがわかった。
残りの20 %のサンプルは、トレーニングモデルに等しい予測能力を持つ。
この結果は、確かに大きなトラフィックデータセットは、かなり小さいが等しく有益なデータセットに分割できることを示している。
これらの結果から,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ことが判明した。
この方法では、より小さな空間的非冗長なデータセットを抽出するなど、さらなる拡張が可能となる。
関連論文リスト
- Diffusion-based Neural Network Weights Generation [85.6725307453325]
データセット条件付き事前学習重み抽出による効率よく適応的な伝達学習手法を提案する。
具体的には、ニューラルネットワークの重みを再構築できる変分オートエンコーダを備えた潜時拡散モデルを用いる。
論文 参考訳(メタデータ) (2024-02-28T08:34:23Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳(メタデータ) (2023-06-14T05:48:36Z) - 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) - Learning spatiotemporal features from incomplete data for traffic flow
prediction using hybrid deep neural networks [0.28675177318965034]
本研究では,カリフォルニア・フリーウェイ・パフォーマンス・計測システム(PeMS)のトラフィックフローを,欠落した値で予測するハイブリッドディープニューラルネットワークに焦点を当てた。
RNNとCNNをベースとして,並列接続と並列接続の異なるアーキテクチャ構成が検討されている。
PeMSから得られた2つの異なるデータセットを総合的に分析した結果,平均計算手法を用いたシリーズ並列ハイブリッドネットワークは,交通流の予測において最も低い誤差を達成できることがわかった。
論文 参考訳(メタデータ) (2022-04-21T15:57:08Z) - 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) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳(メタデータ) (2021-03-08T16:03:09Z) - 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) - Short-Term Traffic Forecasting Using High-Resolution Traffic Data [2.0625936401496237]
本稿では,高分解能(イベントベース)トラフィックデータを用いた交通予測のためのデータ駆動ツールキットを開発した。
提案手法は,アラブ首長国連邦アブダビの現実世界の交通ネットワークから得られた高分解能データを用いて検証した。
論文 参考訳(メタデータ) (2020-06-22T14:26:19Z) - Traffic Flow Forecast of Road Networks with Recurrent Neural Networks [0.0]
効率的なインテリジェント交通システムには交通流の予測が不可欠である。
本研究では, 様々なリカレントニューラルネットワークを用いて, この予測を行う。
多くの場合、ゲート再帰単位を持つベクトル出力モデルは、テストセット上で最小の誤差を達成した。
論文 参考訳(メタデータ) (2020-06-08T15:17:58Z) - Privacy-preserving Traffic Flow Prediction: A Federated Learning
Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。
FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。
FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文 参考訳(メタデータ) (2020-03-19T13:07:49Z)
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。