論文の概要: SSMT: Few-Shot Traffic Forecasting with Single Source Meta-Transfer

• arxiv url: http://arxiv.org/abs/2410.15589v1
• Date: Mon, 21 Oct 2024 02:17:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:17:30.211769
• Title: SSMT: Few-Shot Traffic Forecasting with Single Source Meta-Transfer
• Title（参考訳）: SSMT: 単一ソースのメタトランスファーによるFew-Shotトラフィック予測
• Authors: Kishor Kumar Bhaumik, Minha Kim, Fahim Faisal Niloy, Amin Ahsan Ali, Simon S. Woo,
• Abstract要約: 本稿では,交通予測に単一ソース市にのみ依存するSSMT(Single Source Meta-Transfer Learning)を提案する。 提案手法は, 限られたデータを持つ都市において, この伝達された知識を活用して, 数発の交通予報を可能にする。 我々は、ソースシティからの多様な時間的トラフィックパターンを活用することで、正弦波位置符号化の考え方を拡張し、メタラーニングタスクを確立する。
• 参考スコア（独自算出の注目度）: 19.768107394061374
• License:
• Abstract: Traffic forecasting in Intelligent Transportation Systems (ITS) is vital for intelligent traffic prediction. Yet, ITS often relies on data from traffic sensors or vehicle devices, where certain cities might not have all those smart devices or enabling infrastructures. Also, recent studies have employed meta-learning to generalize spatial-temporal traffic networks, utilizing data from multiple cities for effective traffic forecasting for data-scarce target cities. However, collecting data from multiple cities can be costly and time-consuming. To tackle this challenge, we introduce Single Source Meta-Transfer Learning (SSMT) which relies only on a single source city for traffic prediction. Our method harnesses this transferred knowledge to enable few-shot traffic forecasting, particularly when the target city possesses limited data. Specifically, we use memory-augmented attention to store the heterogeneous spatial knowledge from the source city and selectively recall them for the data-scarce target city. We extend the idea of sinusoidal positional encoding to establish meta-learning tasks by leveraging diverse temporal traffic patterns from the source city. Moreover, to capture a more generalized representation of the positions we introduced a meta-positional encoding that learns the most optimal representation of the temporal pattern across all the tasks. We experiment on five real-world benchmark datasets to demonstrate that our method outperforms several existing methods in time series traffic prediction.
• Abstract（参考訳）: インテリジェントトランスポーテーションシステム(ITS)における交通予測は、インテリジェントな交通予測に不可欠である。 しかし、ITSはしばしば交通センサーや車載機器のデータに頼っている。 また、近年の研究では、メタラーニングを用いて空間的時間的交通ネットワークを一般化し、複数の都市からのデータを有効交通予測に活用している。 しかし、複数の都市からのデータ収集には費用がかかる。 この課題に対処するために,単一ソースのみに依存してトラフィック予測を行う単一ソースメタトランスファー学習(SSMT)を導入する。 提案手法は, 限られたデータを持つ都市において, この伝達された知識を活用して, 数発の交通予報を可能にする。 具体的には、メモリ拡張された注意を用いて、ソースシティから異種空間知識を格納し、データスカース対象都市に対して選択的にリコールする。 我々は、ソースシティからの多様な時間的トラフィックパターンを活用することで、正弦波位置符号化の考え方を拡張し、メタラーニングタスクを確立する。 さらに、位置のより一般化された表現を捉えるために、全てのタスクにまたがる時間的パターンの最も最適な表現を学習するメタポジション符号化を導入しました。 我々は,実世界の5つのベンチマークデータセットを用いて,時系列トラフィック予測において,提案手法が既存手法より優れていることを示す。

関連論文リスト

• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• Urban traffic analysis and forecasting through shared Koopman eigenmodes [5.207485728774798]
  データ量の多い都市における交通流の予測は、限られた歴史的データのために困難である。 データ豊かな都市に共通する周期パターンを同定することで、伝達学習を活用する。 この方法は、交通パターンの一般的な固有モード(アーバンハートビート)を明らかにし、それらをデータ共有都市に転送する。
  論文  参考訳（メタデータ） (2024-09-07T06:24:50Z)
• BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
  従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。 本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。 本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
  論文  参考訳（メタデータ） (2024-03-08T04:19:56Z)
• Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank [15.123457772023238]
  交通パターンバンク(TPB)を用いた都市間交通予測フレームワークを提案する。 TPBは、訓練済みのトラフィックパッチエンコーダを使用して、データ豊富な都市からの生のトラフィックデータを高次元空間に投影する。 隣接行列は、下流の時空間モデルで将来のトラフィックを予測するために構成される。
  論文  参考訳（メタデータ） (2023-08-17T13:29:57Z)
• Traffic Prediction with Transfer Learning: A Mutual Information-based Approach [11.444576186559487]
  そこで我々は,他の都市からのビッグデータを用いて交通予測を行う都市間交通予測手法であるTrafficTLを提案する。 TrafficTLは3つの実世界のデータセットの包括的なケーススタディによって評価され、最先端のベースラインを約8～25%上回る。
  論文  参考訳（メタデータ） (2023-03-13T15:27:07Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)
• Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities [9.891703123090528]
  本稿では,新しい移動可能な交通予測フレームワークDASTNetを提案する。 DASTNetは複数のソースネットワーク上で事前トレーニングされ、ターゲットネットワークのトラフィックデータに微調整される。 3つのベンチマークデータセット上で、最先端のベースラインメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2022-02-08T03:58:39Z)
• Multistep traffic speed prediction: A deep learning based approach using latent space mapping considering spatio-temporal dependencies [2.3204178451683264]
  ITSは、過去のトラフィックデータと現在のトラフィックデータに基づいて、複数の時間ステップで正確なトラフィック予測を提供する、信頼性の高いトラフィック予測を必要とする。 深層学習に基づくアプローチは,空間的依存と時間的依存の両方を用いて開発されている。 提案手法は,最小誤差の60分前予測においても,正確な交通予測結果を提供することがわかった。
  論文  参考訳（メタデータ） (2021-11-03T10:17:48Z)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)

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。