論文の概要: A multi-task deep learning approach for lane-level pavement performance prediction with segment-level data

• arxiv url: http://arxiv.org/abs/2408.01967v1
• Date: Sun, 4 Aug 2024 09:08:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-06 17:41:24.157094
• Title: A multi-task deep learning approach for lane-level pavement performance prediction with segment-level data
• Title（参考訳）: セグメントレベルのデータを用いた車線レベル舗装性能予測のためのマルチタスク深層学習手法
• Authors: Bo Wang, Wenbo Zhang, Yunpeng LI,
• Abstract要約: 本研究では,レーンレベルの舗装性能を予測するため,マルチタスク深層学習手法を開発した。 統一予測フレームワークは、車線間の固有の相関と差異を効果的に解決することができる。 提案した予測フレームワークは、他のアンサンブル学習や浅い機械学習手法をほぼすべての車線で上回っている。
• 参考スコア（独自算出の注目度）: 16.027673234104583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The elaborate pavement performance prediction is an important premise of implementing preventive maintenance. Our survey reveals that in practice, the pavement performance is usually measured at segment-level, where an unique performance value is obtained for all lanes within one segment of 1km length. It still lacks more elaborate performance analysis at lane-level due to costly data collection and difficulty in prediction modeling. Therefore, this study developed a multi-task deep learning approach to predict the lane-level pavement performance with a large amount of historical segment-level performance measurement data. The unified prediction framework can effectively address inherent correlation and differences across lanes. In specific, the prediction framework firstly employed an Long Short-Term Memory (LSTM) layer to capture the segment-level pavement deterioration pattern. Then multiple task-specific LSTM layers were designed based on number of lanes to capture lane-level differences in pavement performance. Finally, we concatenated multiple task-specific LSTM outputs with auxiliary features for further training and obtained the lane-level predictions after fully connected layer. The aforementioned prediction framework was validated with a real case in China. It revealed a better model performance regardless of one-way 2-lane, 3-lane, and 4-lane scenarios, all lower than 10% in terms of mean absolute percentage error. The proposed prediction framework also outperforms other ensemble learning and shallow machine learning methods in almost every lane.
• Abstract（参考訳）: 精巧な舗装性能予測は、予防的メンテナンスを実装するための重要な前提である。 調査の結果, 舗装性能は, 通常, セグメントレベルで測定され, 全車線が1kmの区間内において一意な性能値が得られることがわかった。 コストのかかるデータ収集と予測モデリングの難しさのため、レーンレベルでのより精巧なパフォーマンス分析はいまだに欠けている。 そこで本研究では,多数の歴史的セグメントレベルの性能測定データを用いて,レーンレベルの舗装性能を予測するためのマルチタスク深層学習手法を開発した。 統一予測フレームワークは、車線間の固有の相関と差異を効果的に解決することができる。 具体的には、予測フレームワークはまずLong Short-Term Memory (LSTM) レイヤを使用して、セグメントレベルの舗装劣化パターンをキャプチャした。 その後、舗装性能のレーンレベル差を捉えるために、複数のタスク固有LSTM層をレーン数に基づいて設計した。 最後に,複数のタスク固有LSTM出力と補助的特徴を連結し,完全連結層後のレーンレベルの予測値を得た。 上記の予測フレームワークは、中国の実例で検証された。 片道2車線、3車線、4車線のシナリオによらず、平均絶対パーセンテージ誤差で10%未満のモデル性能を示した。 提案した予測フレームワークは、他のアンサンブル学習や浅い機械学習手法をほぼすべての車線で上回っている。

関連論文リスト

• Learn from Downstream and Be Yourself in Multimodal Large Language Model Fine-Tuning [104.27224674122313]
  微調整MLLMは、特定の下流タスクのパフォーマンスを改善するための一般的なプラクティスとなっている。 一般化と特殊化のトレードオフのバランスをとるために,事前学習と微調整の両方におけるパラメータの重要度を測定することを提案する。
  論文  参考訳（メタデータ） (2024-11-17T01:16:37Z)
• Scaling Laws for Predicting Downstream Performance in LLMs [75.28559015477137]
  この研究は、性能評価のためのより効率的な指標として、事前学習損失に焦点を当てている。 我々は、データソース間のFLOPに基づいて、ドメイン固有の事前学習損失を予測するために、電力法解析関数を拡張した。 我々は2層ニューラルネットワークを用いて、複数のドメイン固有の損失と下流性能の非線形関係をモデル化する。
  論文  参考訳（メタデータ） (2024-10-11T04:57:48Z)
• Universal Pooling Method of Multi-layer Features from Pretrained Models for Speaker Verification [7.005068872406135]
  大規模事前学習ネットワークを活用した自動話者検証(ASV)研究の最近の進歩が達成されている。 ASVのための事前学習モデルの多層特性を利用するための新しい手法を提案する。 提案した層間処理が,事前学習モデルを利用する利点の最大化にどのように役立つかを示す。
  論文  参考訳（メタデータ） (2024-09-12T05:55:32Z)
• The Languini Kitchen: Enabling Language Modelling Research at Different Scales of Compute [66.84421705029624]
  本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。 私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。 この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
  論文  参考訳（メタデータ） (2023-09-20T10:31:17Z)
• A Novel Temporal Multi-Gate Mixture-of-Experts Approach for Vehicle Trajectory and Driving Intention Prediction [0.0]
  正確な車両軌道予測は、自動車両と高度な運転支援システムにとって重要である。 運転意図と車両運動には有意な相関関係がある。 本稿では,車両軌道と運転意図を同時に予測する時間的マルチゲート混合実験モデルを提案する。
  論文  参考訳（メタデータ） (2023-08-01T13:26:59Z)
• Multi-Level Contrastive Learning for Dense Prediction Task [59.591755258395594]
  本稿では,高密度予測タスクのための領域レベルの特徴表現を効率よく学習するための,MCL(Multi-Level Contrastive Learning for Dense Prediction Task)を提案する。 本手法は, 局所化, スケールの整合性, 認識の3つの要因に動機付けられている。 提案手法は,様々なデータセットにおける最近の最先端の手法よりも有意なマージンを有する。
  論文  参考訳（メタデータ） (2023-04-04T17:59:04Z)
• Incident duration prediction using a bi-level machine learning framework with outlier removal and intra-extra joint optimisation [6.291975267775799]
  本稿では,外乱除去と外乱関節最適化を併用した新しい双方向機械学習フレームワークを提案する。 我々は、インシデントデータログを使用してバイナリ分類予測手法を開発し、トラフィックインシデントを短期または長期に分類する。 クラスバランスと予測性能の両方を対象として,短期と長期の交通事故発生期間の最適しきい値を求める。
  論文  参考訳（メタデータ） (2022-05-10T22:40:05Z)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• Multi-Task Learning for Dense Prediction Tasks: A Survey [87.66280582034838]
  マルチタスク学習(MTL)技術は、性能、計算、メモリフットプリントに関する有望な結果を示している。 我々は、コンピュータビジョンにおけるMLLのための最先端のディープラーニングアプローチについて、よく理解された視点を提供する。
  論文  参考訳（メタデータ） (2020-04-28T09:15:50Z)

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。