Fugu-MT 論文翻訳(概要): Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction

論文の概要: Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction

arxiv url: http://arxiv.org/abs/2406.12923v1
Date: Fri, 14 Jun 2024 12:57:17 GMT
ステータス: 処理完了
システム内更新日: 2024-06-22 00:47:45.613196
Title: Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction
Title（参考訳）: 都市交通渋滞予測のための解釈可能なカスケード・オブ・エクササイズ
Authors: Wenzhao Jiang, Jindong Han, Hao Liu, Tao Tao, Naiqiang Tan, Hui Xiong,
Abstract要約: 急速な都市化は交通渋滞を著しくエスカレートさせ、高度な渋滞予測サービスの必要性を浮き彫りにした。本稿では,CP-MoE(Congestion Prediction Mixture-of-Experts)を提案する。 CP-MoEは、旅行時間推定システムの精度と信頼性を向上させるため、DiDiに展開されている。
参考スコア（独自算出の注目度）: 24.26429523848735
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Rapid urbanization has significantly escalated traffic congestion, underscoring the need for advanced congestion prediction services to bolster intelligent transportation systems. As one of the world's largest ride-hailing platforms, DiDi places great emphasis on the accuracy of congestion prediction to enhance the effectiveness and reliability of their real-time services, such as travel time estimation and route planning. Despite numerous efforts have been made on congestion prediction, most of them fall short in handling heterogeneous and dynamic spatio-temporal dependencies (e.g., periodic and non-periodic congestions), particularly in the presence of noisy and incomplete traffic data. In this paper, we introduce a Congestion Prediction Mixture-of-Experts, CP-MoE, to address the above challenges. We first propose a sparsely-gated Mixture of Adaptive Graph Learners (MAGLs) with congestion-aware inductive biases to improve the model capacity for efficiently capturing complex spatio-temporal dependencies in varying traffic scenarios. Then, we devise two specialized experts to help identify stable trends and periodic patterns within the traffic data, respectively. By cascading these experts with MAGLs, CP-MoE delivers congestion predictions in a more robust and interpretable manner. Furthermore, an ordinal regression strategy is adopted to facilitate effective collaboration among diverse experts. Extensive experiments on real-world datasets demonstrate the superiority of our proposed method compared with state-of-the-art spatio-temporal prediction models. More importantly, CP-MoE has been deployed in DiDi to improve the accuracy and reliability of the travel time estimation system.
Abstract（参考訳）: 急速な都市化は交通渋滞を著しくエスカレートさせ、インテリジェント交通システムを強化するための高度な渋滞予測サービスの必要性を浮き彫りにした。世界最大の配車プラットフォームの一つとして、DiDiは渋滞予測の精度に重点を置いており、旅行時間推定やルート計画といったリアルタイムサービスの有効性と信頼性を高めている。渋滞予測には多くの取り組みがなされているが、そのほとんどが不均一性や動的時空間依存性(周期的・非周期的混雑など)、特にノイズや不完全な交通データの存在において不足している。本稿では、上記の課題に対処するため、CP-MoE(Congestion Prediction Mixture-of-Experts)を提案する。まず,交通シナリオの複雑な時空間依存性を効率的に把握するためのモデルキャパシティを改善するために,渋滞を考慮した帰納的バイアスを伴う適応グラフ学習者混合(MAGL)を提案する。次に,トラフィックデータ内の安定傾向と周期パターンの同定を支援するために,2つの専門専門家を考案した。これらの専門家をMAGLでカスケードすることで、CP-MoEはより堅牢で解釈可能な方法で混雑予測を行う。さらに、多様な専門家の効果的な協力を促進するために、順序回帰戦略が採用されている。実世界のデータセットに対する大規模な実験は、最先端の時空間予測モデルと比較して提案手法の優位性を示している。さらに重要なことに、CP-MoEは旅行時間推定システムの精度と信頼性を向上させるためにDiDiに展開されている。

関連論文リスト

Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文参考訳（メタデータ） (2024-11-01T00:37:00Z)
DST-TransitNet: A Dynamic Spatio-Temporal Deep Learning Model for Scalable and Efficient Network-Wide Prediction of Station-Level Transit Ridership [12.6020349733674]
本稿では,システムワイドライダーシップ予測のためのハイブリッドディープラーニングモデルであるDST-TransitNetを紹介する。ボゴタのBRTシステムデータでテストされており、3つの異なる社会的シナリオがある。最先端のモデルを精度、効率、堅牢性で上回る。
論文参考訳（メタデータ） (2024-10-19T06:59:39Z)
Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
ST-Mamba: Spatial-Temporal Selective State Space Model for Traffic Flow Prediction [32.44888387725925]
提案したST-Mambaモデルは,まず,グラフモデルを用いることなく交通流予測における時空間学習のパワーを活用する。提案したST-Mambaモデルでは、計算速度が61.11%向上し、予測精度が0.67%向上した。実世界のトラフィックデータセットを用いた実験は、textsfST-Mambaモデルがトラフィックフロー予測の新しいベンチマークを設定することを示した。
論文参考訳（メタデータ） (2024-04-20T03:57:57Z)
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)
A Comparative Study of Loss Functions: Traffic Predictions in Regular and Congestion Scenarios [0.0]
本稿では、重み解析と不均衡な分類問題から着想を得た種々の損失関数を探索し、この問題に対処する。平均絶対誤差(MAE)を最適化する場合,MAE-Focal Loss関数が最も有効であることがわかった。本研究は,混雑による急激な速度変化を予測する深層学習モデルの能力を高める。
論文参考訳（メタデータ） (2023-08-29T17:44:02Z)
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)
Interpretable Machine Learning Models for Modal Split Prediction in Transportation Systems [0.43012765978447565]
交通ネットワークにおけるモーダル分割予測は、交通渋滞の管理と交通サービスの信頼性向上にネットワークオペレーターをサポートする可能性がある。本研究では,高次元の旅行時間データを用いて,旅行者の時間差予測の問題に焦点をあてる。変数選択に様々な正則化手法を用いて、オーバーフィッティングを防止し、多重線形性の問題を解決する。
論文参考訳（メタデータ） (2022-03-27T02:59:00Z)
SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文参考訳（メタデータ） (2021-04-04T03:17:42Z)
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。