論文の概要: A Survey and Benchmarking of Spatial-Temporal Traffic Data Imputation Models

• arxiv url: http://arxiv.org/abs/2412.04733v2
• Date: Fri, 17 Oct 2025 07:37:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:02.837665
• Title: A Survey and Benchmarking of Spatial-Temporal Traffic Data Imputation Models
• Title（参考訳）: 時空間交通データインプットモデルに関する調査とベンチマーク
• Authors: Shengnan Guo, Tonglong Wei, Yiheng Huang, Yan Lin, Zekai Shen, Yujuan Dong, Junliang Lin, Youfang Lin, Huaiyu Wan,
• Abstract要約: 交通データ計算は、インテリジェント交通システムにおいて重要な前処理ステップである。 計算モデルの大幅な進歩にもかかわらず、実用的な応用のためのモデル選択と開発は依然として困難である。 本稿では,現実の交通データ損失シナリオを体系的にカタログ化した,交通データ不足パターンと計算モデルのための実践指向手法を提案する。
• 参考スコア（独自算出の注目度）: 26.91571883554539
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic data imputation is a critical preprocessing step in intelligent transportation systems, underpinning the reliability of downstream transportation services. Despite substantial progress in imputation models, model selection and development for practical applications remains challenging due to three key gaps: 1) the absence of a model taxonomy for traffic data imputation to trace the technological development and highlight their distinct features. 2) the lack of unified benchmarking pipeline for fair and reproducible model evaluation across standardized traffic datasets. 3) insufficient in-depth analysis that jointly compare models across multiple dimensions, including effectiveness, computational efficiency and robustness. To this end, this paper proposes practice-oriented taxonomies for traffic data missing patterns and imputation models, systematically cataloging real-world traffic data loss scenarios and analyzing the characteristics of existing models. We further introduce a unified benchmarking pipeline to comprehensively evaluate 11 representative models across various missing patterns and rates, assessing overall performance, performance under challenging scenarios, computational efficiency, and providing visualizations. This work aims to provide a holistic perspective on traffic data imputation and to serve as a practical guideline for model selection and application in intelligent transportation systems.
• Abstract（参考訳）: 交通データ計算は、インテリジェント交通システムにおいて重要な前処理ステップであり、下流輸送サービスの信頼性を支えている。 計算モデルの大幅な進歩にもかかわらず、実用アプリケーションのためのモデル選択と開発は、以下の3つの主要なギャップのために難しいままである。 1) 交通データ計算のためのモデル分類が存在しないことにより, 技術開発が進展し, 特徴が強調される。 2) 標準化されたトラフィックデータセット間での公正かつ再現可能なモデル評価のための統一ベンチマークパイプラインの欠如。 3) 有効性, 計算効率, 堅牢性など, 複数次元のモデルを共同で比較する深度分析が不十分であった。 そこで本研究では,現実の交通データ損失シナリオを体系的にカタログ化し,既存モデルの特徴を解析する,交通データ不足パターン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とレートで11の代表的なモデルを総合的に評価し、全体的なパフォーマンスを評価し、挑戦的なシナリオでのパフォーマンスを評価し、計算効率を向上し、視覚化を提供するため、統一的なベンチマークパイプラインを導入します。 本研究の目的は、交通データ計算の総合的な視点を提供することであり、インテリジェント交通システムにおけるモデル選択と応用の実践的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

• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [55.914891182214475]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• A Large-scale Benchmark on Geological Fault Delineation Models: Domain Shift, Training Dynamics, Generalizability, Evaluation and Inferential Behavior [12.23379456993682]
  本稿では,地震解析における領域シフト戦略の回答とガイドラインを提供するために設計された,最初の大規模ベンチマーク研究について述べる。 我々のベンチマークは、3つの異種データセットでトレーニングされ評価された200ドル以上のモデルを含んでいる。 我々の分析は、現在の微調整プラクティスの脆弱さ、破滅的な忘れの出現、そして、パフォーマンスを体系的に解釈することの難しさを強調している。
  論文  参考訳（メタデータ） (2025-05-13T13:56:43Z)
• 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)
• A Data-Centric Perspective on Evaluating Machine Learning Models for Tabular Data [9.57464542357693]
  実世界のモデリングパイプラインは、しばしばデータセット固有の前処理と特徴工学を必要とするため、モデル中心の評価は偏りがあることを実証する。 Kaggleコンペティションから10の関連するデータセットを選択し、データセット毎に専門家レベルの前処理パイプラインを実装します。 データセット固有の機能エンジニアリングの後、モデルランキングは大幅に変化し、性能差が減少し、モデル選択の重要性が低下する。
  論文  参考訳（メタデータ） (2024-07-02T09:54:39Z)
• 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)
• Discover, Explanation, Improvement: An Automatic Slice Detection Framework for Natural Language Processing [72.14557106085284]
  スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。 本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。 評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
  論文  参考訳（メタデータ） (2022-11-08T19:00:00Z)
• 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。