Fugu-MT 論文翻訳(概要): Complementary Fusion of Deep Network and Tree Model for ETA Prediction

論文の概要: Complementary Fusion of Deep Network and Tree Model for ETA Prediction

arxiv url: http://arxiv.org/abs/2407.01262v1
Date: Mon, 1 Jul 2024 13:17:09 GMT
ステータス: 処理完了
システム内更新日: 2024-07-03 21:30:10.664999
Title: Complementary Fusion of Deep Network and Tree Model for ETA Prediction
Title（参考訳）: ETA予測のための深部ネットワークの補完融合と木モデル
Authors: YuRui Huang, Jie Zhang, HengDa Bao, Yang Yang, Jian Yang,
Abstract要約: 本稿では,木モデルとニューラルネットワークのアンサンブルであるETA推定問題に対する新しい解を提案する。我々はSIGSPATIAL 2021 GISCUPコンクールで優勝した。
参考スコア（独自算出の注目度）: 16.842462317713856
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Estimated time of arrival (ETA) is a very important factor in the transportation system. It has attracted increasing attentions and has been widely used as a basic service in navigation systems and intelligent transportation systems. In this paper, we propose a novel solution to the ETA estimation problem, which is an ensemble on tree models and neural networks. We proved the accuracy and robustness of the solution on the A/B list and finally won first place in the SIGSPATIAL 2021 GISCUP competition.
Abstract（参考訳）: 推定到着時刻(ETA)は交通システムにおいて非常に重要な要素である。関心が高まり、ナビゲーションシステムやインテリジェント交通システムの基本サービスとして広く利用されている。本稿では,木モデルとニューラルネットワークのアンサンブルであるETA推定問題に対する新しい解を提案する。我々はA/Bリストにおける解の精度と堅牢性を証明し、最終的にSIGSPATIAL 2021 GISCUPコンテストで優勝した。

関連論文リスト

QoS prediction in radio vehicular environments via prior user information [54.853542701389074]
セルラーテストネットワークから収集したデータを用いて,時間帯を予測するためのMLツリーアンサンブル手法の評価を行った。具体的には、先行車両の情報を含め、無線環境から得られる測定値の相関を利用して、目標車両の予測を強化する。
論文参考訳（メタデータ） (2024-02-27T17:05:41Z)
Efficient Traffic State Forecasting using Spatio-Temporal Network Dependencies: A Sparse Graph Neural Network Approach [6.203371866342754]
交通ネットワークにおける交通予測は、効果的な交通運営と管理にとって最重要事項である。現在の研究では、長期的な交通予測(30分以上)は依然として難しい。予測精度を保ちながら、トレーニングコストに対するスパーストレーニングを提案する。
論文参考訳（メタデータ） (2022-11-06T05:41:39Z)
TLETA: Deep Transfer Learning and Integrated Cellular Knowledge for Estimated Time of Arrival Prediction [6.125017875330933]
運転時間予測のための深層移動学習フレームワークTLETAを提案する。 TLETAは、運転パターンを抽出するための細胞間空間的知識グリッドを構築し、道路ネットワーク構造を埋め込み、ETAのためのディープニューラルネットワークを構築する。我々のモデルは高精度で旅行時間を予測し、多くの最先端のアプローチより優れている。
論文参考訳（メタデータ） (2022-06-17T02:20:44Z)
Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
論文参考訳（メタデータ） (2021-10-22T15:25:14Z)
ETA Prediction with Graph Neural Networks in Google Maps [31.15613437646153]
我々は,Google Mapsで本番環境に投入した到着時刻(ETA)を推定するためのグラフニューラルネットワーク推定器を提案する。我々のGNNは、デプロイ時に強力であることが分かり、以前の生産ベースラインと比較して、いくつかのリージョンでのETA結果が大幅に減少した。
論文参考訳（メタデータ） (2021-08-25T21:28:54Z)
Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文参考訳（メタデータ） (2021-05-20T17:52:37Z)
Graph Neural Network for Traffic Forecasting: A Survey [1.1977931648859175]
本稿では,交通予測問題に対するグラフニューラルネットワークの適用を探求する,初めての総合的な調査である。我々は,各問題と今後の研究方向性について,オープンデータとソースリソースのコレクションを提示する。また、最新の論文、オープンデータ、およびソースリソースを更新するための公開Githubリポジトリも作成しました。
論文参考訳（メタデータ） (2021-01-27T02:35:41Z)
Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文参考訳（メタデータ） (2020-07-23T13:32:47Z)
FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
論文参考訳（メタデータ） (2020-06-07T08:10:47Z)
PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
論文参考訳（メタデータ） (2020-05-29T17:57:25Z)

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。