論文の概要: Know Unreported Roadway Incidents in Real-time: A Deep Learning Framework for Early Traffic Anomaly Detection

• arxiv url: http://arxiv.org/abs/2412.10892v1
• Date: Sat, 14 Dec 2024 16:49:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 14:00:29.822633
• Title: Know Unreported Roadway Incidents in Real-time: A Deep Learning Framework for Early Traffic Anomaly Detection
• Title（参考訳）: 未報告道路事故をリアルタイムに知る:早期交通異常検出のためのディープラーニングフレームワーク
• Authors: Haocheng Duan, Hao Wu, Sean Qian,
• Abstract要約: 本稿では,事前のドメイン知識とモデル設計戦略を活用したディープラーニングフレームワークを提案する。 我々は、インシデントの早期検出・予測をターゲットとしたモデルを特別に設計する。 従来のAID研究とは異なり、我々は広く利用可能なデータを使用し、メソッドのスケーラビリティを向上させる。
• 参考スコア（独自算出の注目度）: 3.7380424073821046
• License:
• Abstract: Conventional automatic incident detection (AID) has relied heavily on all incident reports exclusively for training and evaluation. However, these reports suffer from a number of issues, such as delayed reports, inaccurate descriptions, false alarms, missing reports, and incidents that do not necessarily influence traffic. Relying on these reports to train or calibrate AID models hinders their ability to detect traffic anomalies effectively and timely, even leading to convergence issues in the model training process. Moreover, conventional AID models are not inherently designed to capture the early indicators of any generic incidents. It remains unclear how far ahead an AID model can report incidents. The AID applications in the literature are also spatially limited because the data used by most models is often limited to specific test road segments. To solve these problems, we propose a deep learning framework utilizing prior domain knowledge and model-designing strategies. This allows the model to detect a broader range of anomalies, not only incidents that significantly influence traffic flow but also early characteristics of incidents along with historically unreported anomalies. We specially design the model to target the early-stage detection/prediction of an incident. Additionally, unlike most conventional AID studies, we use widely available data, enhancing our method's scalability. The experimental results across numerous road segments on different maps demonstrate that our model leads to more effective and early anomaly detection. Our framework does not focus on stacking or tweaking various deep learning models; instead, it focuses on model design and training strategies to improve early detection performance.
• Abstract（参考訳）: 従来の自動インシデント検出(AID)は、トレーニングと評価専用のインシデントレポートに大きく依存している。 しかし、これらのレポートは、遅延レポート、不正確な説明、誤報、行方不明の報告、トラフィックに必ずしも影響を与えないインシデントなど、多くの問題に悩まされている。 これらのレポートに基づいてAIDモデルのトレーニングやキャリブレーションを行うことで、交通異常を効果的かつタイムリーに検出する能力が損なわれ、モデルトレーニングプロセスに収束する問題さえも生じます。 さらに、従来のAIDモデルは、一般的なインシデントの初期指標をキャプチャするために本質的には設計されていない。 AIDモデルがいつまで事件を報告できるかは不明だ。 文献におけるAID応用は、ほとんどのモデルで使用されるデータは、しばしば特定のテスト道路セグメントに限られるため、空間的に制限される。 これらの問題を解決するために,先行するドメイン知識とモデル設計戦略を活用したディープラーニングフレームワークを提案する。 このモデルでは、トラフィックフローに大きな影響を及ぼすインシデントだけでなく、歴史的に報告されていない異常とともにインシデントの初期特性も検出できる。 我々は、インシデントの早期検出・予測をターゲットとしたモデルを特別に設計する。 さらに、従来のAID研究とは異なり、広く利用可能なデータを使用し、メソッドのスケーラビリティを向上させる。 異なる地図上の多数の道路区間にまたがる実験結果から、我々のモデルはより効果的で早期の異常検出に繋がることが示された。 我々のフレームワークは、様々なディープラーニングモデルの積み重ねや微調整ではなく、早期検出性能を改善するためのモデル設計とトレーニング戦略に重点を置いています。

関連論文リスト

• Pattern-Based Time-Series Risk Scoring for Anomaly Detection and Alert Filtering -- A Predictive Maintenance Case Study [3.508168174653255]
  本稿では,逐次パターンの類似性に基づいて,異常検出と警告フィルタリングを高速かつ効率的に行う手法を提案する。 本稿では, 大規模産業システムにおける異常検出を含む様々な目的で, このアプローチをどのように活用するかを示す。
  論文  参考訳（メタデータ） (2024-05-24T20:27:45Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection [49.52429991848581]
  深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。 本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
  論文  参考訳（メタデータ） (2023-10-09T12:36:16Z)
• Synthetic outlier generation for anomaly detection in autonomous driving [1.0989593035411862]
  異常検出は、確立されたパターンや大部分のデータから著しく逸脱したインスタンスを特定するために重要である。 本研究では,異常検出モジュールを用いた画像意味セグメンテーションモデルの訓練方法について検討する。 最先端DenseHybridモデルのトレーニング段階に改良を加えることで,異常検出における大幅な性能向上を実現した。
  論文  参考訳（メタデータ） (2023-08-04T07:55:32Z)
• Generalized Few-Shot 3D Object Detection of LiDAR Point Cloud for Autonomous Driving [91.39625612027386]
  我々は,一般的な(ベース)オブジェクトに対して大量のトレーニングデータを持つが,レア(ノーベル)クラスに対してはごく少数のデータしか持たない,一般化された数発の3Dオブジェクト検出という新しいタスクを提案する。 具体的には、画像と点雲の奥行きの違いを分析し、3D LiDARデータセットにおける少数ショット設定の実践的原理を示す。 この課題を解決するために,既存の3次元検出モデルを拡張し,一般的なオブジェクトと稀なオブジェクトの両方を認識するためのインクリメンタルな微調整手法を提案する。
  論文  参考訳（メタデータ） (2023-02-08T07:11:36Z)
• Object-centric and memory-guided normality reconstruction for video anomaly detection [56.64792194894702]
  本稿では,ビデオ監視における異常検出問題に対処する。 異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。 我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
  論文  参考訳（メタデータ） (2022-03-07T19:28:39Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Building an Automated and Self-Aware Anomaly Detection System [0.0]
  異常に対して多種多様かつ常に変化する時系列を積極的に監視することは困難である。 伝統的に、データ生成プロセスとパターンのバリエーションは、異常を正確にフラグするモデルを作成するために、強力なモデリングの専門知識を必要としてきた。 本稿では,手作業による介入を必要とせず,各モデルに必要な変更を加えることで,この共通課題を克服する異常検出システムについて述べる。
  論文  参考訳（メタデータ） (2020-11-10T11:19:07Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• ARCADe: A Rapid Continual Anomaly Detector [25.34227775187408]
  連続異常検出(CAD)の新しい学習問題に対処する。 ニューラルネットをトレーニングするアプローチであるARCADeを提案する。 3つのデータセットを用いた実験の結果、ARCADeは連続学習と異常検出の文献からベースラインを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-08-10T11:59:32Z)
• An Intelligent and Time-Efficient DDoS Identification Framework for Real-Time Enterprise Networks SAD-F: Spark Based Anomaly Detection Framework [0.5811502603310248]
  我々は、異なる機械学習技術を用いたDDoS異常検出のためのセキュリティ解析技術について検討する。 本稿では,システムへの入力として実際のトラフィックを扱う新しいアプローチを提案する。 提案するフレームワークの性能要因を3つの異なるテストベッドで検討・比較する。
  論文  参考訳（メタデータ） (2020-01-21T06:05:48Z)

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。