Fugu-MT 論文翻訳(概要): A Hybrid Model for Traffic Incident Detection based on Generative Adversarial Networks and Transformer Model

論文の概要: A Hybrid Model for Traffic Incident Detection based on Generative Adversarial Networks and Transformer Model

arxiv url: http://arxiv.org/abs/2403.01147v1
Date: Sat, 2 Mar 2024 09:28:04 GMT
ステータス: 処理完了
システム内更新日: 2024-03-05 14:56:49.966801
Title: A Hybrid Model for Traffic Incident Detection based on Generative Adversarial Networks and Transformer Model
Title（参考訳）: 生成型逆ネットワークとトランスフォーマモデルに基づく交通インシデント検出のためのハイブリッドモデル
Authors: Xinying Lu, Doudou Zhang, Jianli Xiao
Abstract要約: 交通事故検出はインテリジェント交通システムにおいて不可欠である。従来の研究では、検出の有効性は大規模なデータセットの取得に関わる課題に大きく影響されている。これらの課題に対処するために,トランスフォーマと生成逆数ネットワーク(GAN)を組み合わせたハイブリッドモデルを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In addition to enhancing traffic safety and facilitating prompt emergency response, traffic incident detection plays an indispensable role in intelligent transportation systems by providing real-time traffic status information. This enables the realization of intelligent traffic control and management. Previous research has identified that apart from employing advanced algorithmic models, the effectiveness of detection is also significantly influenced by challenges related to acquiring large datasets and addressing dataset imbalances. A hybrid model combining transformer and generative adversarial networks (GANs) is proposed to address these challenges. Experiments are conducted on four real datasets to validate the superiority of the transformer in traffic incident detection. Additionally, GANs are utilized to expand the dataset and achieve a balanced ratio of 1:4, 2:3, and 1:1. The proposed model is evaluated against the baseline model. The results demonstrate that the proposed model enhances the dataset size, balances the dataset, and improves the performance of traffic incident detection in various aspects.
Abstract（参考訳）: 交通安全の向上と緊急対応の迅速化に加えて、リアルタイム交通状況情報の提供により、インテリジェントな交通システムにおいて交通インシデント検出が不可欠である。これにより、インテリジェントなトラフィック制御と管理の実現が可能になる。従来の研究では、高度なアルゴリズムモデルを採用することとは別に、検出の有効性は、大規模なデータセットの取得とデータセットの不均衡に対処することに関する課題にも大きく影響している。これらの課題に対処するために,トランスフォーマと生成逆数ネットワーク(GAN)を組み合わせたハイブリッドモデルを提案する。トラヒックインシデント検出における変圧器の優位性を検証するために, 4つの実データを用いた実験を行った。さらにganを用いてデータセットを拡張し、1:4,2:3,1:1のバランス比を達成する。提案モデルはベースラインモデルに対して評価される。その結果,提案モデルがデータセットサイズを向上し,データセットのバランスを保ち,交通事故検出の性能を様々な面で向上することを示した。

関連論文リスト

Enhancing Traffic Sign Recognition with Tailored Data Augmentation: Addressing Class Imbalance and Instance Scarcity [0.0]
本稿では道路安全に不可欠な交通標識認識(TSR)における重要な課題に取り組む。本稿では,合成画像生成や幾何変換などのデータ拡張技術を紹介する。本手法は,実世界の条件を正確にシミュレートするための多種多様な拡張プロセスを導入し,トレーニングデータの多様性と代表性を拡大する。
論文参考訳（メタデータ） (2024-06-05T18:45:45Z)
An Approach to Systematic Data Acquisition and Data-Driven Simulation for the Safety Testing of Automated Driving Functions [32.37902846268263]
オープンワールド」の安全性への影響に関連する研究開発分野では、シミュレーションのパラメータ化や検証を行うための実世界のデータが著しく不足している。本稿では、異種な方法で公共交通のデータを体系的に取得し、それらを統一表現に変換し、自動運転機能のデータ駆動仮想検証に使用する交通行動モデルを自動的にパラメータ化する手法を提案する。
論文参考訳（メタデータ） (2024-05-02T23:24:27Z)
Energy-Guided Data Sampling for Traffic Prediction with Mini Training Datasets [13.065729535009925]
本稿では、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)アーキテクチャを融合して、トラフィックフローのダイナミクスを予測する革新的なソリューションを提案する。本研究の重要な成果は,小規模な交通システムを対象としたシミュレーションから,大規模交通システムのトレーニングデータをサンプリングできることである。
論文参考訳（メタデータ） (2024-03-27T15:57:42Z)
CCDSReFormer: Traffic Flow Prediction with a Criss-Crossed Dual-Stream Enhanced Rectified Transformer Model [32.45713037210818]
我々はCriss-Crossed Dual-Stream Enhanced Rectified Transformer Model (CCDSReFormer)を紹介する。 ReSSA(Enhanced Rectified Spatial Self-attention)、ReDASA(Enhanced Rectified Delay Aware Self-attention)、ReTSA(Enhanced Rectified Temporal Self-attention)の3つの革新的なモジュールが含まれている。これらのモジュールは、疎注意による計算ニーズの低減、トラフィックダイナミクスの理解向上のためのローカル情報への注力、ユニークな学習手法による空間的および時間的洞察の融合を目的としている。
論文参考訳（メタデータ） (2024-03-26T14:43:57Z)
BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文参考訳（メタデータ） (2024-03-08T04:19:56Z)
Leveraging the Power of Data Augmentation for Transformer-based Tracking [64.46371987827312]
トラッキング用にカスタマイズされた2つのデータ拡張手法を提案する。まず、動的探索半径機構と境界サンプルのシミュレーションにより、既存のランダムトリミングを最適化する。第2に,背景干渉などの問題に対するモデルを可能にする,トークンレベルの機能混在強化戦略を提案する。
論文参考訳（メタデータ） (2023-09-15T09:18:54Z)
Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文参考訳（メタデータ） (2023-09-01T19:29:53Z)
Language-Guided Traffic Simulation via Scene-Level Diffusion [46.47977644226296]
本稿では,シーンレベルの条件拡散モデルであるCTG++について述べる。まず,現実的で制御可能なトラフィックを生成する時間的バックボーンを備えたシーンレベルの拡散モデルを提案する。次に、大きな言語モデル(LLM)を用いて、ユーザクエリを、拡散モデルをクエリに準拠した生成に導く損失関数に変換する。
論文参考訳（メタデータ） (2023-06-10T05:20:30Z)
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)
Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文参考訳（メタデータ） (2021-01-24T03:55:39Z)
Deep convolutional generative adversarial networks for traffic data imputation encoding time series as images [7.053891669775769]
我々は,GAN(Generative Adversarial Network)に基づく交通センサデータ計算フレームワーク(TGAN)を開発した。本研究では,GASF(Gramian Angular Summation Field)と呼ばれる新しい時間依存符号化手法を開発した。本研究は,提案モデルにより,平均絶対誤差 (MAE) とルート平均正方形誤差 (RMSE) をベンチマークデータセットの最先端モデルと比較することにより,トラフィックデータ計算精度を著しく向上させることができることを示す。
論文参考訳（メタデータ） (2020-05-05T19:14:02Z)

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。