論文の概要: Link Representation Learning for Probabilistic Travel Time Estimation
- arxiv url: http://arxiv.org/abs/2407.05895v1
- Date: Mon, 8 Jul 2024 13:01:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-09 15:50:25.622327
- Title: Link Representation Learning for Probabilistic Travel Time Estimation
- Title（参考訳）: 確率的旅行時間推定のためのリンク表現学習
- Authors: Chen Xu, Qiang Wang, Lijun Sun,
- Abstract要約: 本稿では,ガウス階層モデルを用いた旅行レベルのリンク旅行時間をモデル化する。
その結果、最先端の決定論的および確率論的ベースラインと比較して優れた性能を示した。
学習したリンク表現はネットワークの物理幾何学とよく一致し、他のアプリケーションに対する入力として適していることがわかった。
- 参考スコア（独自算出の注目度）: 21.092166159353702
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Travel time estimation is a crucial application in navigation apps and web mapping services. Current deterministic and probabilistic methods primarily focus on modeling individual trips, assuming independence among trips. However, in real-world scenarios, we often observe strong inter-trip correlations due to factors such as weather conditions, traffic management, and road works. In this paper, we propose to model trip-level link travel time using a Gaussian hierarchical model, which can characterize both inter-trip and intra-trip correlations. The joint distribution of travel time of multiple trips becomes a multivariate Gaussian parameterized by learnable link representations. To effectively use the sparse GPS trajectories, we also propose a data augmentation method based on trip sub-sampling, which allows for fine-grained gradient backpropagation in learning link representations. During inference, we estimate the probability distribution of the travel time of a queried trip conditional on the completed trips that are spatiotemporally adjacent. We refer to the overall framework as ProbTTE. We evaluate ProbTTE on two real-world GPS trajectory datasets, and the results demonstrate its superior performance compared to state-of-the-art deterministic and probabilistic baselines. Additionally, we find that the learned link representations align well with the physical geometry of the network, making them suitable as input for other applications.
- Abstract（参考訳）: 旅行時間推定はナビゲーションアプリやWebマッピングサービスにおいて重要なアプリケーションである。
現在の決定論的および確率論的手法は、主に旅行間の独立を前提として、個々の旅行をモデル化することに焦点を当てている。
しかし,現実のシナリオでは,気象条件,交通管理,道路工事などの要因により,トリップ間の強い相関関係が観測されることが多い。
本稿では,トリップ間相関とトリップ内相関を特徴付けるガウス階層モデルを用いて,トリップレベルのリンク移動時間をモデル化する。
複数の旅行の旅行時間の同時分布は、学習可能なリンク表現によってパラメータ化される多変量ガウスとなる。
スパースGPSトラジェクトリを効果的に活用するために,トリップサブサンプリングに基づくデータ拡張手法を提案する。
推定中は, 時空間に隣接した走行経路上での待ち行列の走行時間の確率分布を推定する。
フレームワーク全体を ProbTTE と呼ぶ。
実世界の2つのGPSトラジェクトリデータセット上でProbTTEを評価し,その性能を最先端の決定論的および確率論的ベースラインと比較した。
さらに、学習したリンク表現は、ネットワークの物理幾何学とよく一致し、他のアプリケーションに対する入力として適していることがわかった。
関連論文リスト
- MomentDiff: Generative Video Moment Retrieval from Random to Real [71.40038773943638]
私たちは、MomentDiffという拡散に基づく生成フレームワークを提供しています。
MomentDiffは、ランダムなブラウジングから段階的なローカライゼーションまで、典型的な人間の検索プロセスをシミュレートする。
MomentDiffは3つの公開ベンチマークで最先端の手法を一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2023-07-06T09:12:13Z) - TAPIR: Tracking Any Point with per-frame Initialization and temporal
Refinement [64.11385310305612]
本稿では,ビデオシーケンスを通して任意の物理面上の問合せ点を効果的に追跡する,TAP(Tracking Any Point)の新しいモデルを提案する。
提案手法では,(1)他のフレームの問合せ点に対する適切な候補点マッチングを独立に特定するマッチング段階と,(2)局所的相関に基づいてトラジェクトリと問合せの両方を更新する改良段階の2段階を用いる。
結果として得られたモデルは、DAVISにおける平均約20%の絶対平均ジャカード(AJ)改善によって示されるように、TAP-Vidベンチマークにおける大きなマージンで、すべてのベースライン手法を上回ります。
論文 参考訳（メタデータ） (2023-06-14T17:07:51Z) - Multitask Weakly Supervised Learning for Origin Destination Travel Time
Estimation [8.531695291898815]
本論文は,道路網とOD旅行時間とを組み合わせて推定し始める。
現在の経路の共発生確率を最大化する新たな経路回復関数が提案されている。
我々は、Xi'anとChengduで、幅広い現実世界のタクシーのデータセットの実験を行っている。
論文 参考訳（メタデータ） (2023-01-13T00:11:56Z) - HTTE: A Hybrid Technique For Travel Time Estimation In Sparse Data
Environments [4.711557349742932]
本稿では, 歴史的, 希少な実時間軌道データを利用した旅行時間推定のための新しいハイブリッドアルゴリズムを提案する。
経路と出発時刻が与えられた場合、各道路区間間の履歴情報、実時間軌跡データ、相関を考慮に入れた旅行時間を推定する。
論文 参考訳（メタデータ） (2023-01-12T21:07:14Z) - Globally Optimal Event-Based Divergence Estimation for Ventral Landing [55.29096494880328]
イベントセンシングはバイオインスパイアされた飛行誘導と制御システムの主要なコンポーネントである。
本研究では, イベントカメラを用いた腹側着陸時の表面との接触時間予測について検討する。
これは、着陸時に発生する事象の流れから放射光の流れの速度である発散(逆TTC)を推定することで達成される。
我々のコアコントリビューションは、イベントベースの発散推定のための新しいコントラスト最大化定式化と、コントラストを正確に最大化し、最適な発散値を求めるブランチ・アンド・バウンドアルゴリズムである。
論文 参考訳（メタデータ） (2022-09-27T06:00:52Z) - UniTE -- The Best of Both Worlds: Unifying Function-Fitting and
Aggregation-Based Approaches to Travel Time and Travel Speed Estimation [18.8579989956537]
旅行時間と速度推定に対する統一的アプローチを提案する。
関数フィッティングとアグリゲーションベースのアプローチを統一フレームワークに統合する。
経験的研究では、UniTEのインスタンスがそれぞれ40-64%$と3-23%$の旅行速度分布と旅行時間推定の精度を向上させることができることが判明しました。
論文 参考訳（メタデータ） (2021-04-27T16:55:24Z) - 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) - Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。
我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文 参考訳（メタデータ） (2020-07-23T14:31:25Z) - Leveraging the Self-Transition Probability of Ordinal Pattern Transition
Graph for Transportation Mode Classification [0.0]
本稿では,交通モード分類における自己遷移の確率という,通常のパターン遷移グラフから保持される特徴の利用を提案する。
提案手法は,これらを組み合わせた場合であっても,置換エントロピーや統計的複雑度よりも精度がよい。
論文 参考訳（メタデータ） (2020-07-16T23:25:09Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z) - Routine pattern discovery and anomaly detection in individual travel
behavior [14.490713382567073]
個別の時間的旅行行動データをモデル化する確率的枠組みを構築した。
実世界のライセンスプレート認識(LPR)データセットにおける提案手法の有効性を実証する。
この種のパターン発見および異常検出アプリケーションは、交通監視、法執行、個人旅行行動プロファイリングに有用な洞察を提供することができる。
論文 参考訳（メタデータ） (2020-04-05T14:28:26Z)
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。