論文の概要: Online Test-Time Adaptation of Spatial-Temporal Traffic Flow Forecasting
- arxiv url: http://arxiv.org/abs/2401.04148v1
- Date: Mon, 8 Jan 2024 12:04:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-10 18:47:19.748239
- Title: Online Test-Time Adaptation of Spatial-Temporal Traffic Flow Forecasting
- Title（参考訳）: 時空間交通流予測のオンラインテスト時間適応
- Authors: Pengxin Guo, Pengrong Jin, Ziyue Li, Lei Bai, and Yu Zhang
- Abstract要約: 本稿では,時空間交通流予測問題に対するオンラインテスト時間適応手法の最初の研究を行う。
本稿では,直列分解法(ADCSD)による適応二重補正法を提案する。
提案手法では,テストフェーズ中にトレーニングされたモデル全体を微調整する代わりに,トレーニングされたモデルの後,ライトネットワークをアタッチし,データ入力が観測されるたびに,ライトネットワークのみをテストプロセスで微調整する。
- 参考スコア（独自算出の注目度）: 13.770733370640565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate spatial-temporal traffic flow forecasting is crucial in aiding
traffic managers in implementing control measures and assisting drivers in
selecting optimal travel routes. Traditional deep-learning based methods for
traffic flow forecasting typically rely on historical data to train their
models, which are then used to make predictions on future data. However, the
performance of the trained model usually degrades due to the temporal drift
between the historical and future data. To make the model trained on historical
data better adapt to future data in a fully online manner, this paper conducts
the first study of the online test-time adaptation techniques for
spatial-temporal traffic flow forecasting problems. To this end, we propose an
Adaptive Double Correction by Series Decomposition (ADCSD) method, which first
decomposes the output of the trained model into seasonal and trend-cyclical
parts and then corrects them by two separate modules during the testing phase
using the latest observed data entry by entry. In the proposed ADCSD method,
instead of fine-tuning the whole trained model during the testing phase, a lite
network is attached after the trained model, and only the lite network is
fine-tuned in the testing process each time a data entry is observed. Moreover,
to satisfy that different time series variables may have different levels of
temporal drift, two adaptive vectors are adopted to provide different weights
for different time series variables. Extensive experiments on four real-world
traffic flow forecasting datasets demonstrate the effectiveness of the proposed
ADCSD method. The code is available at https://github.com/Pengxin-Guo/ADCSD.
- Abstract（参考訳）: 正確な時空間交通流予測は、交通管理者が制御手段を実装し、運転者が最適な走行経路を選択するのを助けるために重要である。
従来のディープラーニングベースのトラフィックフロー予測手法は、通常、過去のデータを使ってモデルをトレーニングし、将来のデータに基づいて予測を行う。
しかしながら、トレーニングされたモデルの性能は通常、歴史的データと将来のデータの間の時間的ドリフトによって劣化する。
過去のデータに基づいてトレーニングされたモデルを,完全なオンラインデータに適応させるため,時空間交通流予測問題に対するオンラインテスト時間適応手法を初めて検討した。
そこで本研究では,まず,訓練モデルの出力を季節的および傾向循環的部分に分解し,次に最新の観測データ入力を用いてテストフェーズ中に2つのモジュールで修正する,系列分解による適応的二重補正(adcsd)手法を提案する。
提案手法では,テストフェーズ中にトレーニングされたモデル全体を微調整する代わりに,トレーニングされたモデルの後,ライトネットワークをアタッチし,データ入力が観測されるたびに,ライトネットワークのみをテストプロセスで微調整する。
さらに、異なる時系列変数が時間的ドリフトのレベルが異なることを満たすため、異なる時系列変数に対して異なる重みを与えるために2つの適応ベクトルが採用された。
4つの実世界の交通流予測データセットに対する大規模な実験により,提案手法の有効性が示された。
コードはhttps://github.com/Pengxin-Guo/ADCSDで入手できる。
関連論文リスト
- Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - 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) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-20T22:25:47Z) - CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。
本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
論文 参考訳（メタデータ） (2022-06-01T03:02:07Z) - 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) - POLA: Online Time Series Prediction by Adaptive Learning Rates [4.105553918089042]
繰り返しニューラルネットワークモデルの学習速度を自動的に調整し、時系列パターンの変化に適応するPOLAを提案する。
POLAは、他のオンライン予測方法よりも総合的に、あるいは優れた予測性能を示す。
論文 参考訳（メタデータ） (2021-02-17T17:56:12Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z) - Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。
生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。
我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
論文 参考訳（メタデータ） (2020-06-23T08:49:46Z) - 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) - Tracking Performance of Online Stochastic Learners [57.14673504239551]
オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。
一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。
定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
論文 参考訳（メタデータ） (2020-04-04T14:16:27Z) - 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。