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
- 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) - Hybrid Transformer and Spatial-Temporal Self-Supervised Learning for
Long-term Traffic Prediction [1.8531577178922987]
本稿では,ハイブリッドトランスフォーマーと自己教師型学習を組み合わせたモデルを提案する。
このモデルは、トラフィックのシーケンスレベルにデータ拡張技術を適用することにより、適応的なデータ拡張を強化する。
本研究では,時間的および空間的依存をモデル化する2つの自己教師型学習タスクを設計し,モデルの精度と能力を向上させる。
論文 参考訳(メタデータ) (2024-01-29T06:17:23Z) - DRUformer: Enhancing the driving scene Important object detection with
driving relationship self-understanding [50.81809690183755]
交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。
従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。
本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
論文 参考訳(メタデータ) (2023-11-11T07:26:47Z) - 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) - Large-Scale Traffic Data Imputation with Spatiotemporal Semantic
Understanding [26.86356769330179]
本研究では,GT-TDIモデルを用いて,ネットワークを意味論的に理解した大規模交通データをインプットする手法を提案する。
提案モデルは、グラフニューラルネットワーク(GNN)とトランスフォーマーの助けを借りてタスクを実行するために、不完全データ、センサのソーシャル接続、セマンティック記述を入力として利用する。
その結果,提案したGT-TDIモデルは,複雑な欠落パターンと多彩な欠落率で既存手法よりも優れていた。
論文 参考訳(メタデータ) (2023-01-27T13:02:19Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - A probabilistic model for missing traffic volume reconstruction based on
data fusion [5.389118559012973]
固定位置センサデータとプローブ車両データを融合し,交通量再構成の確率モデルを提案する。
実世界のトラヒックボリュームデータセットを用いて,提案手法が広く研究されているデータ問題に対する最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-05-06T16:16:35Z) - 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。