論文の概要: Learning When to See for Long-term Traffic Data Collection on Power-constrained Devices

• arxiv url: http://arxiv.org/abs/2401.14504v1
• Date: Thu, 25 Jan 2024 20:50:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-29 16:38:04.135336
• Title: Learning When to See for Long-term Traffic Data Collection on Power-constrained Devices
• Title（参考訳）: 電力制約デバイスを用いた長期交通データ収集の学習
• Authors: Ruixuan Zhang, Wenyu Han, Zilin Bian, Kaan Ozbay, Chen Feng
• Abstract要約: 本稿では,バッテリ駆動デバイスの観測タイミングを戦略的に決定する,新しい学習ベースのフレームワークを提案する。 スパースサンプリングされた観測結果から全データストリームを再構築し,性能損失を最小限に抑える。 RNN予測器と推定器とDRQN(Deep Recurrent Q-Network)コントローラによるPeMSデータに対する提案手法の性能評価を行った。
• 参考スコア（独自算出の注目度）: 7.712009864814493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collecting traffic data is crucial for transportation systems and urban planning, and is often more desirable through easy-to-deploy but power-constrained devices, due to the unavailability or high cost of power and network infrastructure. The limited power means an inevitable trade-off between data collection duration and accuracy/resolution. We introduce a novel learning-based framework that strategically decides observation timings for battery-powered devices and reconstructs the full data stream from sparsely sampled observations, resulting in minimal performance loss and a significantly prolonged system lifetime. Our framework comprises a predictor, a controller, and an estimator. The predictor utilizes historical data to forecast future trends within a fixed time horizon. The controller uses the forecasts to determine the next optimal timing for data collection. Finally, the estimator reconstructs the complete data profile from the sampled observations. We evaluate the performance of the proposed method on PeMS data by an RNN (Recurrent Neural Network) predictor and estimator, and a DRQN (Deep Recurrent Q-Network) controller, and compare it against the baseline that uses Kalman filter and uniform sampling. The results indicate that our method outperforms the baseline, primarily due to the inclusion of more representative data points in the profile, resulting in an overall 10\% improvement in estimation accuracy. Source code will be publicly available.
• Abstract（参考訳）: 交通データ収集は交通システムや都市計画にとって不可欠であり、電力とネットワークのインフラの高可用性や高コストのため、容易に配置できるが電力に制約のあるデバイスの方が望ましい。 限られたパワーは、データ収集期間と精度/解像度の間の必然的なトレードオフを意味する。 本稿では,電池駆動装置の観測タイミングを戦略的に決定し,サンプルの少ない観測結果から全データストリームを再構築し,性能損失を最小化し,システム寿命を大幅に延長する,新たな学習ベースのフレームワークを提案する。 このフレームワークは,予測器,コントローラ,推定器から構成される。 予測者は、過去のデータを用いて、固定時間地平線内の将来のトレンドを予測する。 コントローラは予測を使用して、データ収集の次の最適なタイミングを決定する。 最後に、推定器はサンプル観測から完全なデータプロファイルを再構成する。 rnn(recurrent neural network)予測器と推定器、drqn(deep recurrent q-network)コントローラによるpemsデータに対する提案手法の性能評価を行い、カルマンフィルタと一様サンプリングを用いたベースラインと比較した。 その結果,提案手法がベースラインよりも優れており,主にプロファイルにより多くの代表データポイントが組み込まれているため,全体の推定精度が10%向上した。 ソースコードは公開されます。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• 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)
• Urban Traffic Forecasting with Integrated Travel Time and Data Availability in a Conformal Graph Neural Network Framework [0.6554326244334868]
  最先端のモデルは、可能な限り最良の方法でデータを考えるのに苦労することが多い。 本稿では,駅間の移動時間をグラフニューラルネットワークアーキテクチャの重み付き隣接行列に組み込む新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-07-17T01:11:07Z)
• Computationally and Memory-Efficient Robust Predictive Analytics Using Big Data [0.0]
  本研究では、データ不確実性、ストレージ制限、ビッグデータを用いた予測データ駆動モデリングの課題をナビゲートする。 本稿では,ロバスト主成分分析(RPCA)を有効ノイズ低減と外乱除去に利用し,最適センサ配置(OSP)を効率的なデータ圧縮・記憶に活用する。
  論文  参考訳（メタデータ） (2024-03-27T22:39:08Z)
• Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
  本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。 これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
  論文  参考訳（メタデータ） (2024-02-23T06:09:45Z)
• Robustness Verification of Deep Neural Networks using Star-Based Reachability Analysis with Variable-Length Time Series Input [6.146046338698173]
  本稿では, 時系列回帰NN(TSRegNN)に対して, 集合に基づく形式的手法を用いた頑健性検証手法を提案する。 可変長入力データを利用して入力操作を効率化し、ネットワークアーキテクチャの一般化性を高める。 本論文は、実世界のアプリケーションにおける時系列データのNNベース分析の検証と検証のための包括的ケーススタディを提供する。
  論文  参考訳（メタデータ） (2023-07-26T02:15:11Z)
• 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)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Probabilistic Time Series Forecasting for Adaptive Monitoring in Edge Computing Environments [0.06999740786886537]
  本稿では,重要なインフラをモニタリングするためのサンプリングベースおよびクラウドロケーションアプローチを提案する。 公開されているストリーミングデータセット上で,モニタリングパイプラインのプロトタイプ実装を評価した。
  論文  参考訳（メタデータ） (2022-11-24T17:35:14Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)

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。