論文の概要: Mesoscale Traffic Forecasting for Real-Time Bottleneck and Shockwave
Prediction
- arxiv url: http://arxiv.org/abs/2402.05663v2
- Date: Mon, 4 Mar 2024 12:01:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 00:17:39.786128
- Title: Mesoscale Traffic Forecasting for Real-Time Bottleneck and Shockwave
Prediction
- Title(参考訳): リアルタイム起動と衝撃波予測のためのメソスケール交通予測
- Authors: Raphael Chekroun, Han Wang, Jonathan Lee, Marin Toromanoff, Sascha
Hornauer, Fabien Moutarde, Maria Laura Delle Monache
- Abstract要約: 空間次元に自己注意(SA)とLong Short-Term Memory(LSTM)を統合する深層予測法であるSA-LSTMを導入する。
この手法を,n段階のSA-LSTMを用いた多段階予測に拡張し,短期予測と長期予測のトレードオフにおいて従来の多段階予測手法より優れていることを示す。
- 参考スコア(独自算出の注目度): 9.606555361712116
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Accurate real-time traffic state forecasting plays a pivotal role in traffic
control research. In particular, the CIRCLES consortium project necessitates
predictive techniques to mitigate the impact of data source delays. After the
success of the MegaVanderTest experiment, this paper aims at overcoming the
current system limitations and develop a more suited approach to improve the
real-time traffic state estimation for the next iterations of the experiment.
In this paper, we introduce the SA-LSTM, a deep forecasting method integrating
Self-Attention (SA) on the spatial dimension with Long Short-Term Memory (LSTM)
yielding state-of-the-art results in real-time mesoscale traffic forecasting.
We extend this approach to multi-step forecasting with the n-step SA-LSTM,
which outperforms traditional multi-step forecasting methods in the trade-off
between short-term and long-term predictions, all while operating in real-time.
- Abstract(参考訳): 正確なリアルタイム交通状態予測は、交通制御研究において重要な役割を果たす。
特に、CIRCLESコンソーシアムプロジェクトは、データソース遅延の影響を軽減するために予測技術を必要とする。
megavandertest実験が成功した後、本論文は現在のシステムの限界を克服し、実験の次のイテレーションのリアルタイム交通状態推定を改善するためのより適切なアプローチを開発することを目的としている。
本稿では,SA-LSTMを提案する。SA-LSTMは,空間次元の自己認識(SA)と長短記憶(LSTM)を統合し,リアルタイムのメソスケール交通予測の最先端結果を得る。
本手法は,n段階SA-LSTMを用いた複数段階予測に拡張され,短期予測と長期予測のトレードオフにおいて従来の多段階予測手法よりも優れている。
関連論文リスト
- Loss Shaping Constraints for Long-Term Time Series Forecasting [86.6877920044998]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-14T18:20:44Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems
Using Optimal Transport [89.61692654941106]
そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。
我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
論文 参考訳(メタデータ) (2023-03-14T07:25:44Z) - 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) - Accurate non-stationary short-term traffic flow prediction method [0.0]
本稿では,Long Short-Term Memory (LSTM) に基づく,短時間のトラフィックフローを正確に予測できる手法を提案する。
提案手法は, 極端外れ値, 遅延効果, トレンド変化応答に対して, 優れた性能を有する他の最先端手法に対して良好に動作する。
論文 参考訳(メタデータ) (2022-05-01T17:11:34Z) - Bootstrap Motion Forecasting With Self-Consistent Constraints [52.88100002373369]
自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。
運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。
提案手法は,既存手法の予測性能を常に向上することを示す。
論文 参考訳(メタデータ) (2022-04-12T14:59:48Z) - Multi-Airport Delay Prediction with Transformers [0.0]
TFT(Temporal Fusion Transformer)は、複数の空港での出発と到着の遅れを同時に予測するために提案された。
このアプローチは、予測時に既知の入力の複雑な時間的ダイナミクスをキャプチャし、選択された遅延メトリクスを4時間先まで予測することができる。
論文 参考訳(メタデータ) (2021-11-04T21:58:11Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳(メタデータ) (2020-12-25T01:40:29Z) - An Effective Dynamic Spatio-temporal Framework with Multi-Source
Information for Traffic Prediction [0.22940141855172028]
提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度を約3~7%向上する。
実験の結果,提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度が約3~7%向上した。
論文 参考訳(メタデータ) (2020-05-08T14:23:52Z) - Deep Echo State Networks for Short-Term Traffic Forecasting: Performance
Comparison and Statistical Assessment [8.586891288891263]
短期的な交通予測では、関心のある交通パラメータの将来の値を正確に予測することが目的である。
Deep Echo State Networksは、考慮されている他のモデリングモデルよりも正確なトラフィック予測を実現している。
論文 参考訳(メタデータ) (2020-04-17T11:07:25Z) - Short-Term Traffic Flow Prediction Using Variational LSTM Networks [3.2364716800671873]
本研究では,歴史データに基づく深層学習手法を用いて交通流予測モデルを提案する。
2019年、カルトランス性能測定システム(PeMS)から6ヶ月間収集された歴史的データ。
提案した予測モデルは、短いVLSTM-Eにおける変分長短期記憶である。
論文 参考訳(メタデータ) (2020-02-18T23:22:31Z)
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。