論文の概要: xMTrans: Temporal Attentive Cross-Modality Fusion Transformer for Long-Term Traffic Prediction
- arxiv url: http://arxiv.org/abs/2405.04841v1
- Date: Wed, 8 May 2024 06:29:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-09 15:14:42.516567
- Title: xMTrans: Temporal Attentive Cross-Modality Fusion Transformer for Long-Term Traffic Prediction
- Title(参考訳): xMTrans:長期交通予測のための時間減衰型クロスモーダル核融合変圧器
- Authors: Huy Quang Ung, Hao Niu, Minh-Son Dao, Shinya Wada, Atsunori Minamikawa,
- Abstract要約: 本稿では,長期交通予測,すなわちxMTransに対する時間的注意型クロスモーダルトランスモデルを提案する。
我々は,実世界のデータセットを用いて,交通渋滞とタクシー需要予測に関する提案モデルを評価する実験を行った。
- 参考スコア(独自算出の注目度): 3.08580339590996
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic predictions play a crucial role in intelligent transportation systems. The rapid development of IoT devices allows us to collect different kinds of data with high correlations to traffic predictions, fostering the development of efficient multi-modal traffic prediction models. Until now, there are few studies focusing on utilizing advantages of multi-modal data for traffic predictions. In this paper, we introduce a novel temporal attentive cross-modality transformer model for long-term traffic predictions, namely xMTrans, with capability of exploring the temporal correlations between the data of two modalities: one target modality (for prediction, e.g., traffic congestion) and one support modality (e.g., people flow). We conducted extensive experiments to evaluate our proposed model on traffic congestion and taxi demand predictions using real-world datasets. The results showed the superiority of xMTrans against recent state-of-the-art methods on long-term traffic predictions. In addition, we also conducted a comprehensive ablation study to further analyze the effectiveness of each module in xMTrans.
- Abstract(参考訳): 交通予測はインテリジェント交通システムにおいて重要な役割を担っている。
IoTデバイスの迅速な開発により、トラフィック予測に高い相関関係を持つさまざまな種類のデータを収集することが可能になり、効率的なマルチモーダルトラフィック予測モデルの開発が促進される。
これまで、交通予測にマルチモーダルデータの利点を利用する研究はほとんどない。
本稿では,2つのモーダルデータ(例えば,交通渋滞の予測)と1つのサポートモーダル(例えば,人の流れ)の時間的相関を探索する機能を備えた,長期交通予測のための時間的注意型クロスモーダルトランスモデルを提案する。
実世界のデータセットを用いた交通渋滞予測とタクシー需要予測について,提案モデルの評価実験を行った。
その結果, 長期交通予測における最近の最先端手法に対するxMTransの優位性を示した。
また,xMTransにおける各モジュールの有効性を解析するために,包括的アブレーション試験を行った。
関連論文リスト
- TrafficGPT: Towards Multi-Scale Traffic Analysis and Generation with Spatial-Temporal Agent Framework [3.947797359736224]
我々は3つのAIエージェントを用いてマルチスケールトラフィックデータを処理するマルチスケールトラフィック生成システムであるTrafficGPTを設計した。
TrafficGPTは,1)ユーザと対話し,テキストを介して予測タスクを抽出するテキスト・ツー・デマンドエージェント,2)マルチスケールトラフィックデータを利用して時間的特徴と類似性を生成するトラフィック予測エージェント,3)予測結果を用いて提案や視覚化を行う提案・可視化エージェントの3つの重要なAIエージェントから構成される。
論文 参考訳(メタデータ) (2024-05-08T07:48:40Z) - Towards Responsible and Reliable Traffic Flow Prediction with Large Language Models [36.869371885656236]
本稿では,大規模言語モデル(LLM)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、R2T-LLMは複雑な時空間パターンと外部要因を包括的トラフィックデータからキャプチャする。
経験的に、R2T-LLMは、ディープラーニングのベースラインと比較して、競争の正確さを示しながら、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) - 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) - TelTrans: Applying Multi-Type Telecom Data to Transportation Evaluation
and Prediction via Multifaceted Graph Modeling [29.41878123692351]
我々は,移動パターンを捉えるためにセルトラフィックを広範囲に網羅する新しいデータソースである地理セルトラフィック(GCT)フローを提示する。
本稿では,多変量,時空間,空間面を統合し,精度を向上させるグラフニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2024-01-06T06:44:06Z) - MTR++: Multi-Agent Motion Prediction with Symmetric Scene Modeling and
Guided Intention Querying [110.83590008788745]
自律運転システムにとって、複雑な運転シナリオを理解し、情報的な決定を下すためには、動きの予測が不可欠である。
本稿では,これらの課題に対処するためのMotion TRansformer (MTR) フレームワークを提案する。
最初のMTRフレームワークは、学習可能な意図クエリを備えたトランスフォーマーエンコーダ-デコーダ構造を利用する。
複数のエージェントに対するマルチモーダル動作を同時に予測するMTR++フレームワークを導入する。
論文 参考訳(メタデータ) (2023-06-30T16:23:04Z) - 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) - STCGAT: Spatial-temporal causal networks for complex urban road traffic
flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。
既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。
本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文 参考訳(メタデータ) (2022-03-21T06:38:34Z) - 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) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z) - 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) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳(メタデータ) (2020-01-09T10:21:04Z)
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。