論文の概要: Enhancing Traffic Flow Prediction using Outlier-Weighted AutoEncoders:
Handling Real-Time Changes
- arxiv url: http://arxiv.org/abs/2312.16596v1
- Date: Wed, 27 Dec 2023 14:44:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 18:53:06.204232
- Title: Enhancing Traffic Flow Prediction using Outlier-Weighted AutoEncoders:
Handling Real-Time Changes
- Title（参考訳）: 外周重み付きオートエンコーダによる交通流予測の強化:リアルタイム変更処理
- Authors: Himanshu Choudhary and Marwan Hassani
- Abstract要約: 本稿では, Outlier Weighted Autoencoder Modeling (OWAM) フレームワークを紹介する。
OWAMは、自動エンコーダを用いて局所的な異常検出を行い、近隣の交通の影響を評価するために相関スコアを生成する。
この情報は、トラヒックモデルの性能を高め、効果的なリアルタイム更新をサポートする。
- 参考スコア（独自算出の注目度）: 0.7614628596146602
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In today's urban landscape, traffic congestion poses a critical challenge,
especially during outlier scenarios. These outliers can indicate abrupt traffic
peaks, drops, or irregular trends, often arising from factors such as
accidents, events, or roadwork. Moreover, Given the dynamic nature of traffic,
the need for real-time traffic modeling also becomes crucial to ensure accurate
and up-to-date traffic predictions. To address these challenges, we introduce
the Outlier Weighted Autoencoder Modeling (OWAM) framework. OWAM employs
autoencoders for local outlier detection and generates correlation scores to
assess neighboring traffic's influence. These scores serve as a weighted factor
for neighboring sensors, before fusing them into the model. This information
enhances the traffic model's performance and supports effective real-time
updates, a crucial aspect for capturing dynamic traffic patterns. OWAM
demonstrates a favorable trade-off between accuracy and efficiency, rendering
it highly suitable for real-world applications. The research findings
contribute significantly to the development of more efficient and adaptive
traffic prediction models, advancing the field of transportation management for
the future. The code and datasets of our framework is publicly available under
https://github.com/himanshudce/OWAM.
- Abstract（参考訳）: 今日の都市景観において、交通渋滞は、特に異常なシナリオにおいて、重要な課題となっている。
これらの異常値は、突然のトラフィックピーク、落下、または不規則な傾向を示し、しばしば事故、イベント、道路工事などの要因から生じる。
さらに,交通の動的な性質を考えると,交通予測の正確かつ最新性を確保するために,リアルタイム交通モデリングの必要性も重要となる。
これらの課題に対処するために、Outlier Weighted Autoencoder Modeling (OWAM)フレームワークを紹介します。
OWAMは自動エンコーダを用いて局所的な異常検出を行い、近隣の交通の影響を評価する相関スコアを生成する。
これらのスコアは、モデルに融合する前に、近隣のセンサーの重み付け要因となる。
この情報はトラフィックモデルの性能を高め、動的なトラフィックパターンをキャプチャするための重要な側面である効果的なリアルタイム更新をサポートする。
OWAMは精度と効率のトレードオフを示し、現実世界のアプリケーションに非常に適している。
本研究は,より効率的で適応的な交通予測モデルの開発に大きく寄与し,今後の交通管理の分野を前進させる。
私たちのフレームワークのコードとデータセットはhttps://github.com/himanshudce/OWAM.comで公開されています。
関連論文リスト
- An Application of Vector Autoregressive Model for Analyzing the Impact
of Weather And Nearby Traffic Flow On The Traffic Volume [0.0]
本稿では,付近の交通量と気象条件に基づいて,ある道路区間における交通流を予測することを目的とする。
また,気象条件や付近の交通量が目標地点の交通量に与える影響も確認した。
論文 参考訳（メタデータ） (2023-11-12T16:45:29Z) - A Comparative Study of Loss Functions: Traffic Predictions in Regular
and Congestion Scenarios [0.0]
本稿では、重み解析と不均衡な分類問題から着想を得た種々の損失関数を探索し、この問題に対処する。
平均絶対誤差(MAE)を最適化する場合,MAE-Focal Loss関数が最も有効であることがわかった。
本研究は,混雑による急激な速度変化を予測する深層学習モデルの能力を高める。
論文 参考訳（メタデータ） (2023-08-29T17:44:02Z) - 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) - Uncertainty Quantification for Image-based Traffic Prediction across
Cities [63.136794104678025]
不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。
複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。
モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
論文 参考訳（メタデータ） (2023-08-11T13:35:52Z) - TraffNet: Learning Causality of Traffic Generation for What-if Prediction [4.604622556490027]
インテリジェントなトラフィック管理と制御における意思決定には,リアルタイムなトラフィック予測が不可欠だ。
本稿では,トラフィック生成のメカニズムを事前に学習するTraffNetという単純なディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T13:12:17Z) - Towards better traffic volume estimation: Jointly addressing the
underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。
上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
論文 参考訳（メタデータ） (2023-03-10T02:22:33Z) - 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) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Traffic-Twitter Transformer: A Nature Language Processing-joined
Framework For Network-wide Traffic Forecasting [14.71745498591372]
本研究では,公共利用者や交通機関の交通状況を予測するためのフレキシブルで包括的な枠組みを提案する。
まず,2つの時系列データ,トラフィック強度,およびTwitterデータ強度の相関性を評価するために,相関研究と線形回帰モデルを構築した。
次に、2つの時系列データをソーシャル対応フレームワークであるTraffic-Twitter Transformerに入力し、Nature Language表現を時系列レコードに統合し、長期トラフィック予測を行った。
論文 参考訳（メタデータ） (2022-06-19T20:17:15Z) - 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) - Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。
我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文 参考訳（メタデータ） (2020-07-23T14:31:25Z)
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。