論文の概要: SGRU: A High-Performance Structured Gated Recurrent Unit for Traffic Flow Prediction

• arxiv url: http://arxiv.org/abs/2404.11854v1
• Date: Thu, 18 Apr 2024 02:15:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-19 13:20:47.857810
• Title: SGRU: A High-Performance Structured Gated Recurrent Unit for Traffic Flow Prediction
• Title（参考訳）: SGRU:交通流予測のための高性能構造ゲート型リカレントユニット
• Authors: Wenfeng Zhang, Xin Li, Anqi Li, Xiaoting Huang, Ti Wang, Honglei Gao,
• Abstract要約: 本稿では、構造化GRU層と非線形ユニットを含む構造化Gated Recurrent Unitsと、モデルの適合性を向上させるために複数の時間層を埋め込んだSGRUを提案する。 我々は,カリフォルニアの4つの公共交通データセット(PeMS03,PeMS04,PeMS07,PeMS08)を回帰予測として評価した。
• 参考スコア（独自算出の注目度）: 11.918007808289463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic flow prediction is an essential task in constructing smart cities and is a typical Multivariate Time Series (MTS) Problem. Recent research has abandoned Gated Recurrent Units (GRU) and utilized dilated convolutions or temporal slicing for feature extraction, and they have the following drawbacks: (1) Dilated convolutions fail to capture the features of adjacent time steps, resulting in the loss of crucial transitional data. (2) The connections within the same temporal slice are strong, while the connections between different temporal slices are too loose. In light of these limitations, we emphasize the importance of analyzing a complete time series repeatedly and the crucial role of GRU in MTS. Therefore, we propose SGRU: Structured Gated Recurrent Units, which involve structured GRU layers and non-linear units, along with multiple layers of time embedding to enhance the model's fitting performance. We evaluate our approach on four publicly available California traffic datasets: PeMS03, PeMS04, PeMS07, and PeMS08 for regression prediction. Experimental results demonstrate that our model outperforms baseline models with average improvements of 11.7%, 18.6%, 18.5%, and 12.0% respectively.
• Abstract（参考訳）: 交通流予測は、スマートシティの構築において不可欠な課題であり、典型的な多変量時系列(MTS)問題である。 近年、GRUを廃止し、拡張畳み込みや時間スライシングを特徴抽出に利用し、(1)拡張畳み込みは隣接する時間ステップの特徴を捉えるのに失敗し、重要な遷移データを失うという欠点がある。 2)同じ時間スライス内の接続は強いが,時間スライス間の接続は緩すぎる。 これらの制約を踏まえて、我々は、連続した時系列を解析することの重要性と、MTSにおけるGRUの重要な役割を強調した。 そこで,本研究では,構造化GRU層と非線形ユニットを含む構造化Gated Recurrent Unitsと,モデルの適合性を高めるために複数の時間層を埋め込んだSGRUを提案する。 我々は,カリフォルニアの4つの公共交通データセット(PeMS03,PeMS04,PeMS07,PeMS08)を回帰予測として評価した。 実験結果から, 平均改善率11.7%, 18.6%, 18.5%, 12.0%のベースラインモデルを上回る結果を得た。

関連論文リスト

• Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis [31.43159668073136]
  時系列における教師なし異常検出は、手動による介入の必要性を大幅に低減するため、産業応用において不可欠である。 従来の手法では、グラフニューラルネットワーク(GNN)やトランスフォーマーを使用して空間を解析し、RNNは時間的依存をモデル化していた。 本稿では,TopoGDNと呼ばれる多変量時系列異常検出のための拡張グラフ注意ネットワーク(GAT)上に構築された新しい時間モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-23T14:06:30Z)
• Robust Multivariate Time Series Forecasting against Intra- and Inter-Series Transitional Shift [40.734564394464556]
  本稿では,時系列内/時系列間の相関関係を統合的に把握し,時変遷移分布をモデル化するための統一確率グラフモデルを提案する。 6つの高定常MTSデータセットに対する広範囲な実験により、JointPGMの有効性と効率を検証した。
  論文  参考訳（メタデータ） (2024-07-18T06:16:03Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Test-Time Compensated Representation Learning for Extreme Traffic Forecasting [13.859278899032846]
  混雑とラッシュアワーは、隣接する時間帯に様々な交差点で車両の速度の相関が低くなる可能性がある。 既存の手法では、テストフェーズ中に、最近および完全に分解されたトレーニングデータに基づいて、将来のシリーズを予測するのが一般的である。 マルチヘッド空間トランスモデルを用いたテスト時間表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-16T18:46:34Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)
• MTS-Mixers: Multivariate Time Series Forecasting via Factorized Temporal and Channel Mixing [18.058617044421293]
  本稿では,時系列予測の性能に対する注意機構の寄与と欠陥について検討する。 MTS-Mixersを提案する。これは2つの分解されたモジュールを用いて時間的およびチャネル的依存関係をキャプチャする。 いくつかの実世界のデータセットによる実験結果から、MTS-Mixersは既存のTransformerベースのモデルよりも高い効率で性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-02-09T08:52:49Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [59.125047512495456]
  重み付き時間遅延フィードバック機構を備えた新しいゲートリカレントユニット(GRU)を導入する。 我々は、$tau$-GRUが、最先端のリカレントユニットやゲート型リカレントアーキテクチャよりも早く収束し、より一般化できることを示します。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)
• GC-GRU-N for Traffic Prediction using Loop Detector Data [5.735035463793008]
  シアトルのループ検出器のデータを15分以上収集し、その問題を時空で再現する。 モデルは、最速の推論時間と非常に近いパフォーマンスで第2位(トランスフォーマー)。
  論文  参考訳（メタデータ） (2022-11-13T06:32:28Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。