論文の概要: MagiNet: Mask-Aware Graph Imputation Network for Incomplete Traffic Data

• arxiv url: http://arxiv.org/abs/2406.03511v1
• Date: Wed, 5 Jun 2024 10:06:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 19:24:39.185448
• Title: MagiNet: Mask-Aware Graph Imputation Network for Incomplete Traffic Data
• Title（参考訳）: MagiNet:不完全なトラフィックデータのためのマスク対応グラフインプットネットワーク
• Authors: Jianping Zhou, Bin Lu, Zhanyu Liu, Siyu Pan, Xuejun Feng, Hua Wei, Guanjie Zheng, Xinbing Wang, Chenghu Zhou,
• Abstract要約: 我々はGraphAware GraphAware Networkを提案する。 本手法は,不完全データの潜在表現を学習するための適応マスク時間エンコーダを設計する。
• 参考スコア（独自算出の注目度）: 37.38022570888774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to detector malfunctions and communication failures, missing data is ubiquitous during the collection of traffic data. Therefore, it is of vital importance to impute the missing values to facilitate data analysis and decision-making for Intelligent Transportation System (ITS). However, existing imputation methods generally perform zero pre-filling techniques to initialize missing values, introducing inevitable noises. Moreover, we observe prevalent over-smoothing interpolations, falling short in revealing the intrinsic spatio-temporal correlations of incomplete traffic data. To this end, we propose Mask-Aware Graph imputation Network: MagiNet. Our method designs an adaptive mask spatio-temporal encoder to learn the latent representations of incomplete data, eliminating the reliance on pre-filling missing values. Furthermore, we devise a spatio-temporal decoder that stacks multiple blocks to capture the inherent spatial and temporal dependencies within incomplete traffic data, alleviating over-smoothing imputation. Extensive experiments demonstrate that our method outperforms state-of-the-art imputation methods on five real-world traffic datasets, yielding an average improvement of 4.31% in RMSE and 3.72% in MAPE.
• Abstract（参考訳）: 検出器の故障と通信障害のため、交通データの収集中に欠落したデータがどこにでもある。 したがって、インテリジェントトランスポートシステム(ITS)のデータ分析と意思決定を容易にするために、欠落した値をインプットすることが極めて重要である。 しかし、既存の計算手法は一般に、欠落した値を初期化し、避けられないノイズを発生させるため、0のプリフィル技術を実行する。 さらに,不完全な交通データに内在する時空間相関を明らかにするために,過度に平滑な補間を観測する。 そこで我々はMask-Aware Graph imputation Network: MagiNetを提案する。 適応マスク時空間エンコーダを設計し、不完全データの潜在表現を学習し、不足した値への依存を解消する。 さらに、複数のブロックを積み重ねた時空間デコーダを考案し、不完全なトラフィックデータ中の空間的および時間的依存関係を捕捉し、過度に平滑な計算を緩和する。 その結果, RMSEでは平均4.31%, MAPEでは3.72%向上した。

関連論文リスト

• M$^3$-Impute: Mask-guided Representation Learning for Missing Value Imputation [12.174699459648842]
  M$3$-Imputeは、不足情報や新しいマスキング手法との相関性を明示的に活用することを目的としている。 実験の結果,M$3$-Imputeは平均20点,第2bのMAEスコアが4点であった。
  論文  参考訳（メタデータ） (2024-10-11T13:25:32Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• ST-GIN: An Uncertainty Quantification Approach in Traffic Data Imputation with Spatio-temporal Graph Attention and Bidirectional Recurrent United Neural Networks [18.66289473659838]
  本稿では、欠落したデータを計算するための革新的な深層学習手法を提案する。 グラフアテンションアーキテクチャを用いて、交通データに存在する空間的相関をキャプチャする。 双方向ニューラルネットワークを用いて時間情報を学習する。
  論文  参考訳（メタデータ） (2023-05-10T22:15:40Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Learning spatiotemporal features from incomplete data for traffic flow prediction using hybrid deep neural networks [0.28675177318965034]
  本研究では,カリフォルニア・フリーウェイ・パフォーマンス・計測システム(PeMS)のトラフィックフローを,欠落した値で予測するハイブリッドディープニューラルネットワークに焦点を当てた。 RNNとCNNをベースとして,並列接続と並列接続の異なるアーキテクチャ構成が検討されている。 PeMSから得られた2つの異なるデータセットを総合的に分析した結果,平均計算手法を用いたシリーズ並列ハイブリッドネットワークは,交通流の予測において最も低い誤差を達成できることがわかった。
  論文  参考訳（メタデータ） (2022-04-21T15:57:08Z)
• A data-centric weak supervised learning for highway traffic incident detection [1.0323063834827415]
  我々は、高速道路における交通事故検出の誤報率を低減し、精度を向上させるために、データ中心のアプローチに焦点を当てる。 我々は,インシデントデータに対する高品質なトレーニングラベルを生成するために,基礎的真理ラベルを使わずに,弱教師付き学習ワークフローを開発する。 提案した弱教師付き学習ワークフローは,高い事故検出率 (0.90) と低い誤警報率 (0.08) を達成することを示す。
  論文  参考訳（メタデータ） (2021-12-17T22:14:47Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Estimation of Missing Data in Intelligent Transportation System [5.936402320555635]
  インテリジェント交通システム(ITS)における交通速度の欠落と走行時間推定に関する研究 MLに基づくマルチ方向性リカレントニューラルネットワーク(M-RNN)に焦点をあてる。 このアプローチの有効性をTomTomデータセットで評価し、平均車両速度と走行時間を測定します。
  論文  参考訳（メタデータ） (2021-01-09T05:42:31Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。