論文の概要: TransCompressor: LLM-Powered Multimodal Data Compression for Smart Transportation
- arxiv url: http://arxiv.org/abs/2411.16020v1
- Date: Mon, 25 Nov 2024 00:32:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-26 14:21:44.328636
- Title: TransCompressor: LLM-Powered Multimodal Data Compression for Smart Transportation
- Title（参考訳）: TransCompressor:LLMを利用したスマートトランスポートのためのマルチモーダルデータ圧縮
- Authors: Huanqi Yang, Rucheng Wu, Weitao Xu,
- Abstract要約: 本研究では,マルチモーダルトランスポートセンサデータの効率的な圧縮と圧縮にLarge Language Modelsを活用する新しいフレームワークであるTransCompressorを紹介する。
TransCompressorは、バロメーター、速度測定、高度測定など、さまざまなセンサーデータタイプで、バス、タクシー、MTRといった様々な交通手段で徹底的に評価されている。
- 参考スコア（独自算出の注目度）: 3.0249622480561893
- License:
- Abstract: The incorporation of Large Language Models (LLMs) into smart transportation systems has paved the way for improving data management and operational efficiency. This study introduces TransCompressor, a novel framework that leverages LLMs for efficient compression and decompression of multimodal transportation sensor data. TransCompressor has undergone thorough evaluation with diverse sensor data types, including barometer, speed, and altitude measurements, across various transportation modes like buses, taxis, and MTRs. Comprehensive evaluation illustrates the effectiveness of TransCompressor in reconstructing transportation sensor data at different compression ratios. The results highlight that, with well-crafted prompts, LLMs can utilize their vast knowledge base to contribute to data compression processes, enhancing data storage, analysis, and retrieval in smart transportation settings.
- Abstract（参考訳）: スマートトランスポートシステムへのLLM(Large Language Models)の導入は、データ管理と運用効率を改善するための道を開いた。
本研究では,マルチモーダルトランスポートセンサデータの効率的な圧縮と圧縮にLLMを利用する新しいフレームワークであるTransCompressorを紹介する。
TransCompressorは、バロメーター、速度測定、高度測定など、さまざまなセンサーデータタイプで、バス、タクシー、MTRといった様々な交通手段で徹底的に評価されている。
総合的な評価は、トランスコンプレッサーが、異なる圧縮比で交通センサデータを再構成する際の有効性を示している。
その結果,LLMは優れたプロンプトによって,データ圧縮プロセスへの貢献,データストレージの強化,分析,スマートトランスポート環境における検索など,膨大な知識ベースを活用できることが示唆された。
関連論文リスト
- Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。
単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
論文 参考訳（メタデータ） (2025-01-07T03:23:28Z) - Convolutional variational autoencoders for secure lossy image compression in remote sensing [47.75904906342974]
本研究では,畳み込み変分オートエンコーダ(CVAE)に基づく画像圧縮について検討する。
CVAEは、JPEG2000のような従来の圧縮手法を圧縮ベンチマークデータセットのかなりのマージンで上回ることが示されている。
論文 参考訳（メタデータ） (2024-04-03T15:17:29Z) - TransGPT: Multi-modal Generative Pre-trained Transformer for
Transportation [19.184173455587263]
本稿ではトランスGPT(TransGPT)について述べる。
シングルモーダルデータ用TransGPT-SMとマルチモーダルデータ用TransGPT-MMの2つの独立した変種で構成されている。
この研究は、輸送分野におけるNLPの最先端を推し進め、ITSの研究者や実践者にとって有用なツールを提供する。
論文 参考訳（メタデータ） (2024-02-11T15:50:35Z) - HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics
in Industrial Metaverse [49.1501082763252]
本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。
動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。
そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。
ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
論文 参考訳（メタデータ） (2022-11-07T04:33:24Z) - Remote Multilinear Compressive Learning with Adaptive Compression [107.87219371697063]
MultiIoT Compressive Learning (MCL)は、多次元信号に対する効率的な信号取得および学習パラダイムである。
MCLモデルにそのような機能を実現するための新しい最適化手法を提案する。
論文 参考訳（メタデータ） (2021-09-02T19:24:03Z) - 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) - High-Precision Digital Traffic Recording with Multi-LiDAR Infrastructure
Sensor Setups [0.0]
融解したLiDAR点雲と単一LiDAR点雲との差について検討した。
抽出した軌道の評価は, 融合インフラストラクチャーアプローチが追跡結果を著しく増加させ, 数cm以内の精度に達することを示す。
論文 参考訳（メタデータ） (2020-06-22T10:57:52Z) - Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。
MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。
本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
論文 参考訳（メタデータ） (2020-02-17T19:06:05Z)
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。