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
- 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) - Adaptive Model Pruning and Personalization for Federated Learning over
Wireless Networks [72.59891661768177]
フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。
これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。
このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
論文 参考訳(メタデータ) (2023-09-04T21:10:45Z) - 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) - QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective Time
Series Forecasting [0.21756081703275998]
我々は,精度と計算複雑性のトレードオフを最適化する,ライブ予測手法であるQBSDを紹介する。
我々は,公開データセットの最先端予測手法に対するQBSDの性能評価を行った。
論文 参考訳(メタデータ) (2023-06-09T15:59:27Z) - 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) - Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。
時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。
我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。
提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
論文 参考訳(メタデータ) (2022-10-02T06:58:49Z) - 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) - DeepSTCL: A Deep Spatio-temporal ConvLSTM for Travel Demand Prediction [4.0711669706762805]
本稿では,Deep Spatio-Temporal ConvLSTMに基づく新しいディープラーニングトラフィック需要予測フレームワークを提案する。
提案手法は時間的依存と空間的依存を同時に捉えることができる。
ChengduのDIDIオーダーデータセットの実験結果から,本手法が従来のモデルよりも精度と速度で優れていることが示された。
論文 参考訳(メタデータ) (2020-08-22T13:33:31Z)
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。