論文の概要: An Experimental Evaluation of Imputation Models for Spatial-Temporal Traffic Data

• arxiv url: http://arxiv.org/abs/2412.04733v1
• Date: Fri, 06 Dec 2024 02:47:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-09 15:55:41.394855
• Title: An Experimental Evaluation of Imputation Models for Spatial-Temporal Traffic Data
• Title（参考訳）: 時空間交通データに対するインプットモデルの実験的検討
• Authors: Shengnan Guo, Tonglong Wei, Yiheng Huang, Miaomiao Zhao, Ran Chen, Yan Lin, Youfang Lin, Huaiyu Wan,
• Abstract要約: 本研究の目的は、交通データ計算研究の総合的な理解を提供することであり、実用的なガイドラインとして機能することである。 まず、現実の交通データ損失の可能な全ての形態を体系的に同定し、欠落パターンと計算モデルに対する実践指向を提案する。 さらに、様々な欠落パターンとレートで10の代表的なモデルを包括的に評価するために、統一的なベンチマークパイプラインを導入します。
• 参考スコア（独自算出の注目度）: 20.294382826251994
• License:
• Abstract: Traffic data imputation is a critical preprocessing step in intelligent transportation systems, enabling advanced transportation services. Despite significant advancements in this field, selecting the most suitable model for practical applications remains challenging due to three key issues: 1) incomprehensive consideration of missing patterns that describe how data loss along spatial and temporal dimensions, 2) the lack of test on standardized datasets, and 3) insufficient evaluations. To this end, we first propose practice-oriented taxonomies for missing patterns and imputation models, systematically identifying all possible forms of real-world traffic data loss and analyzing the characteristics of existing models. Furthermore, we introduce a unified benchmarking pipeline to comprehensively evaluate 10 representative models across various missing patterns and rates. This work aims to provide a holistic understanding of traffic data imputation research and serve as a practical guideline.
• Abstract（参考訳）: 交通データ計算は、インテリジェントトランスポートシステムにおいて重要な前処理ステップであり、高度なトランスポートサービスを可能にしている。 この分野では大きな進歩があったが、実用用途に最も適したモデルを選択することは、以下の3つの主要な問題のために難しいままである。 1)空間的・時間的次元に沿ったデータ損失を記述した欠落パターンの包括的考察。 2)標準化データセットのテストの欠如、及び 3) 評価は不十分である。 そこで我々はまず,実世界の交通データ損失の可能な全ての形態を体系的に同定し,既存のモデルの特徴を解析する,パターンの欠如と計算モデルに対する実践指向の分類法を提案する。 さらに、さまざまなパターンやレートで10の代表的なモデルを包括的に評価する統合ベンチマークパイプラインも導入する。 本研究の目的は、交通データ計算研究の総合的な理解を提供することであり、実用的なガイドラインとして機能することである。

関連論文リスト

• Modeling IoT Traffic Patterns: Insights from a Statistical Analysis of an MTC Dataset [1.2289361708127877]
  IoT(Internet-of-Things)は急速に拡大し、多くのデバイスを接続し、私たちの日常生活に不可欠なものになっています。 効果的なIoTトラフィック管理には、マシン型通信(MTC)のモデリングと予測が必要である。 我々は、Kolmogorov-Smirnov、Anderson-Darling、chi-squared、ルート平均二乗誤差などの確立されたテストを含む、適合性テストを用いたMCCトラフィックの包括的統計分析を行う。
  論文  参考訳（メタデータ） (2024-09-03T14:24:18Z)
• Early-Stage Anomaly Detection: A Study of Model Performance on Complete vs. Partial Flows [0.0]
  本研究では,異常検出システムにおける機械学習モデル,特にランダムフォレストの有効性について検討した。 実世界のリアルタイムネットワーク環境に典型的な不完全なデータにモデルを適用する際に生じる性能格差について検討する。
  論文  参考訳（メタデータ） (2024-07-03T07:14:25Z)
• Data-efficient Large Vision Models through Sequential Autoregression [58.26179273091461]
  限られたデータセットに基づいて,効率的な自己回帰に基づく視覚モデルを構築する。 このモデルは,高レベル・低レベルのセマンティック理解の両方にまたがる視覚的タスクにおいて,その習熟度をいかに達成するかを実証する。 我々の経験的評価は、モデルが様々なタスクに適応する際の機敏さを強調し、パラメータフットプリントの大幅な削減を図った。
  論文  参考訳（メタデータ） (2024-02-07T13:41:53Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)
• SimSCOOD: Systematic Analysis of Out-of-Distribution Generalization in Fine-tuned Source Code Models [58.78043959556283]
  本研究は,Low-Rank Adaptation (LoRA)ファインチューニング手法を含む,異なる微調整手法によるモデルの挙動について検討する。 解析の結果、LoRAファインチューニングは様々なシナリオにおけるフルファインチューニングよりも、OODの一般化性能が大幅に向上していることが判明した。
  論文  参考訳（メタデータ） (2022-10-10T16:07:24Z)
• A Latent Feature Analysis-based Approach for Spatio-Temporal Traffic Data Recovery [3.84562917529518]
  データ駆動知能(ITS)におけるミスは必然的で一般的な問題である 本稿では,隠れ特徴分析に基づくリアルタイムトラフィックデータ補完手法を提案する。 その結果,連続的欠落したデータを正確に推定できることが示唆された。
  論文  参考訳（メタデータ） (2022-08-16T13:21:46Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Dynamic Spatiotemporal Graph Convolutional Neural Networks for Traffic Data Imputation with Complex Missing Patterns [3.9318191265352196]
  本稿では,DSTG(Dynamic Spatio Graph Contemporal Networks)と呼ばれる新しいディープラーニングフレームワークを提案する。 本稿では,動的空間依存のリアルタイム交通情報と道路ネットワーク構造をモデル化するためのグラフ構造推定手法を提案する。 提案手法は,既存の深層学習モデルより様々なシナリオにおいて優れており,グラフ構造推定手法はモデルの性能に寄与する。
  論文  参考訳（メタデータ） (2021-09-17T05:47:17Z)
• Training Deep Normalizing Flow Models in Highly Incomplete Data Scenarios with Prior Regularization [13.985534521589257]
  ハイパウシティシナリオにおけるデータ分布の学習を容易にする新しいフレームワークを提案する。 提案手法は,不完全データから学習過程を協調最適化タスクとして行うことに由来する。
  論文  参考訳（メタデータ） (2021-04-03T20:57:57Z)
• How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating and Auditing Generative Models [95.8037674226622]
  ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。 当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
  論文  参考訳（メタデータ） (2021-02-17T18:25:30Z)

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。