論文の概要: TrafPS: A Shapley-based Visual Analytics Approach to Interpret Traffic

• arxiv url: http://arxiv.org/abs/2403.04812v1
• Date: Thu, 7 Mar 2024 01:00:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-11 22:06:37.135151
• Title: TrafPS: A Shapley-based Visual Analytics Approach to Interpret Traffic
• Title（参考訳）: trafps: トラフィックを解釈するshapleyベースのビジュアル分析アプローチ
• Authors: Zezheng Feng, Yifan Jiang, Hongjun Wang, Zipei Fan, Yuxin Ma, Shuang-Hua Yang, Huamin Qu, Xuan Song
• Abstract要約: TrafPSは、交通管理と都市計画における意思決定を支援するために、交通予測結果の視覚的分析手法である。 ドメインエキスパートのタスク要求に基づき,多視点探索と重要なフローパターンの解析にインタラクティブなビジュアルインタフェースを用いる。 2つの実世界のケーススタディは、TrafPSが重要なルートを特定し、都市計画における意思決定支援に有効であることを実証している。
• 参考スコア（独自算出の注目度）: 39.8945062366245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent achievements in deep learning (DL) have shown its potential for predicting traffic flows. Such predictions are beneficial for understanding the situation and making decisions in traffic control. However, most state-of-the-art DL models are considered "black boxes" with little to no transparency for end users with respect to the underlying mechanisms. Some previous work tried to "open the black boxes" and increase the interpretability of how predictions are generated. However, it still remains challenging to handle complex models on large-scale spatio-temporal data and discover salient spatial and temporal patterns that significantly influence traffic flows. To overcome the challenges, we present TrafPS, a visual analytics approach for interpreting traffic prediction outcomes to support decision-making in traffic management and urban planning. The measurements, region SHAP and trajectory SHAP, are proposed to quantify the impact of flow patterns on urban traffic at different levels. Based on the task requirement from the domain experts, we employ an interactive visual interface for multi-aspect exploration and analysis of significant flow patterns. Two real-world case studies demonstrate the effectiveness of TrafPS in identifying key routes and decision-making support for urban planning.
• Abstract（参考訳）: 近年のディープラーニング(DL)の成果は,交通流予測の可能性を示している。 このような予測は、状況の理解と交通制御の決定に有用である。 しかしながら、最先端のDLモデルは、基盤となるメカニズムに関してエンドユーザーにはほとんど、あるいは全く透明性のない「ブラックボックス」と見なされている。 いくつかの以前の研究は「ブラックボックスをオープン」し、予測の生成方法の解釈可能性を高めようとした。 しかし、大規模時空間データ上で複雑なモデルを扱うことは依然として困難であり、交通の流れに大きな影響を及ぼす時空間パターンや時空間パターンを発見することは困難である。 そこで我々は,交通管理と都市計画における意思決定を支援するために,交通予測結果の視覚的分析手法であるTrafPSを提案する。 異なるレベルの都市交通に対する流れパターンの影響を定量化するために, 地域SHAP, 軌道SHAPの測定を行った。 ドメインエキスパートのタスク要求に基づいて、重要なフローパターンのマルチスペクトル探索と分析にインタラクティブなビジュアルインターフェースを用いています。 2つの実世界のケーススタディは、TrafPSが重要なルートを特定し、都市計画における意思決定支援に有効であることを実証している。

関連論文リスト

• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• Towards Explainable Traffic Flow Prediction with Large Language Models [36.86937188565623]
  本稿では,Large Language Models (LLMs) に基づく交通流予測モデルを提案する。 マルチモーダルなトラフィックデータを自然言語記述に転送することで、xTP-LLMは複雑な時系列パターンと外部要因を包括的なトラフィックデータからキャプチャする。 経験的に、xTP-LLMは、ディープラーニングのベースラインと比較して、競争の正確さを示すと同時に、予測の直感的で信頼性の高い説明を提供する。
  論文  参考訳（メタデータ） (2024-04-03T07:14:15Z)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• Multi-scale Traffic Pattern Bank for Cross-city Few-shot Traffic Forecasting [15.123457772023238]
  本稿では,マルチスケール交通パターンバンクと呼ばれる都市間交通予測問題に対する解決策を提案する。 このフレームワークは高度なクラスタリング技術を用いて、マルチスケールのトラフィックパターンバンクを体系的に生成する。 実世界の交通データセットを用いた実証評価により,MTPBの優れた性能が確認された。
  論文  参考訳（メタデータ） (2024-02-01T07:33:31Z)
• Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity Analysis [6.8775337739726226]
  本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。 本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
  論文  参考訳（メタデータ） (2023-08-20T14:31:55Z)
• Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
  不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。 複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。 モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
  論文  参考訳（メタデータ） (2023-08-11T13:35:52Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• TrafPS: A Visual Analysis System Interpreting Traffic Prediction in Shapley [14.405970308635787]
  TrafPSはデータプロセスから結果の計算と視覚化までの3つのレイヤで構成されている。 あるデモンストレーションでは、予測フローをユーザに解釈する上で、TrafPSが効果的な分析パイプラインをサポートしていることが示されている。
  論文  参考訳（メタデータ） (2022-03-11T19:13:55Z)
• Revisiting the Modifiable Areal Unit Problem in Deep Traffic Prediction with Visual Analytics [14.453075528447165]
  本研究では,都市交通データの動的に変化するマルチスカラーアグリゲーションとニューラルネットワーク予測の関係を可視化する手法を提案する。 深センのタクシー旅行の現実的なデータセットを含む一連のケーススタディを通じて、我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2020-07-30T14:32:17Z)

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。