論文の概要: Embracing Large Language Models in Traffic Flow Forecasting

• arxiv url: http://arxiv.org/abs/2412.12201v1
• Date: Sun, 15 Dec 2024 03:08:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 14:01:03.129369
• Title: Embracing Large Language Models in Traffic Flow Forecasting
• Title（参考訳）: 交通流予測における大規模言語モデルの導入
• Authors: Yusheng Zhao, Xiao Luo, Haomin Wen, Zhiping Xiao, Wei Ju, Ming Zhang,
• Abstract要約: 交通流の予測は,交通状況や道路網に基づいて将来の交通を予測することを目的としている。 本稿では,Large Language Model Enhanced Traffic Flow Predictor (LEAF) という新しい手法を提案する。 LEAFは2つのブランチを採用し、それぞれグラフとハイパーグラフ構造を用いて異なるフロー時間関係をキャプチャする。
• 参考スコア（独自算出の注目度）: 12.071457261639205
• License:
• Abstract: Traffic flow forecasting aims to predict future traffic flows based on the historical traffic conditions and the road network. It is an important problem in intelligent transportation systems, with a plethora of methods been proposed. Existing efforts mainly focus on capturing and utilizing spatio-temporal dependencies to predict future traffic flows. Though promising, they fall short in adapting to test-time environmental changes of traffic conditions. To tackle this challenge, we propose to introduce large language models (LLMs) to help traffic flow forecasting and design a novel method named Large Language Model Enhanced Traffic Flow Predictor (LEAF). LEAF adopts two branches, capturing different spatio-temporal relations using graph and hypergraph structures respectively. The two branches are first pre-trained individually, and during test-time, they yield different predictions. Based on these predictions, a large language model is used to select the most likely result. Then, a ranking loss is applied as the learning objective to enhance the prediction ability of the two branches. Extensive experiments on several datasets demonstrate the effectiveness of the proposed LEAF.
• Abstract（参考訳）: 交通流予測は,過去の交通状況と道路網に基づいて将来の交通流を予測することを目的としている。 これは知的輸送システムにおいて重要な問題であり、多くの方法が提案されている。 既存の取り組みは主に、将来のトラフィックフローを予測するために、時空間依存のキャプチャと利用に重点を置いている。 有望ではあるが、彼らは交通条件の試験時間環境の変化に適応するのに不足している。 この課題に対処するため,交通流予測のための大規模言語モデル (LLM) を導入し,LEAF (Large Language Model Enhanced Traffic Flow Predictor) と呼ばれる新しい手法を提案する。 LEAFは2つのブランチを採用し、グラフとハイパーグラフ構造を用いてそれぞれ異なる時空間関係をキャプチャする。 2つのブランチは、まず個別に事前訓練され、テスト期間中に異なる予測が生成される。 これらの予測に基づいて、大きな言語モデルを使用して、最も可能性の高い結果を選択する。 そして、学習目的としてランキング損失を適用し、2つのブランチの予測能力を向上する。 いくつかのデータセットに対する大規模な実験は、提案されたLEAFの有効性を実証している。

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)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Enhancing Traffic Prediction with Textual Data Using Large Language Models [0.0]
  本研究では,地域レベルとノードレベルの2つのシナリオについて検討した。 地域レベルのシナリオでは、テキスト情報はネットワーク全体に接続されたノードとして表現される。 ノードレベルのシナリオでは、大きなモデルからの埋め込みは、対応するノードにのみ接続された追加ノードを表す。 提案手法は,New York Bike データセットによる予測精度の大幅な向上を示す。
  論文  参考訳（メタデータ） (2024-05-10T03:14:26Z)
• Towards Explainable Traffic Flow Prediction with Large Language Models [36.86937188565623]
  本稿では,Large Language Models (LLMs) に基づく交通流予測モデルを提案する。 マルチモーダルなトラフィックデータを自然言語記述に転送することで、xTP-LLMは複雑な時系列パターンと外部要因を包括的なトラフィックデータからキャプチャする。 経験的に、xTP-LLMは、ディープラーニングのベースラインと比較して、競争の正確さを示すと同時に、予測の直感的で信頼性の高い説明を提供する。
  論文  参考訳（メタデータ） (2024-04-03T07:14:15Z)
• 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)
• Traffic-Twitter Transformer: A Nature Language Processing-joined Framework For Network-wide Traffic Forecasting [14.71745498591372]
  本研究では,公共利用者や交通機関の交通状況を予測するためのフレキシブルで包括的な枠組みを提案する。 まず,2つの時系列データ,トラフィック強度,およびTwitterデータ強度の相関性を評価するために,相関研究と線形回帰モデルを構築した。 次に、2つの時系列データをソーシャル対応フレームワークであるTraffic-Twitter Transformerに入力し、Nature Language表現を時系列レコードに統合し、長期トラフィック予測を行った。
  論文  参考訳（メタデータ） (2022-06-19T20:17:15Z)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
  混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。 生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。 我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
  論文  参考訳（メタデータ） (2020-06-23T08:49:46Z)
• An Effective Dynamic Spatio-temporal Framework with Multi-Source Information for Traffic Prediction [0.22940141855172028]
  提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度を約3～7%向上する。 実験の結果,提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度が約3～7%向上した。
  論文  参考訳（メタデータ） (2020-05-08T14:23:52Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。