論文の概要: RLER-TTE: An Efficient and Effective Framework for En Route Travel Time Estimation with Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2501.15493v1
- Date: Sun, 26 Jan 2025 11:49:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-28 13:55:26.371133
- Title: RLER-TTE: An Efficient and Effective Framework for En Route Travel Time Estimation with Reinforcement Learning
- Title（参考訳）: RLER-TTE:強化学習による経路時間推定のための効率的かつ効果的なフレームワーク
- Authors: Zhihan Zheng, Haitao Yuan, Minxiao Chen, Shangguang Wang,
- Abstract要約: En Route Travel Time Estimationは、走行経路から運転パターンを学習し、迅速かつ正確なリアルタイム予測を実現することを目的としている。
既存の手法は、実世界の交通システムの複雑さとダイナミズムを無視し、結果としてリアルタイムシナリオにおける効率と正確性に大きなギャップが生じる。
本稿では,ER-TTEの経路実装を再定義し,高効率かつ効率的な予測を行う新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 5.4674463400564886
- License:
- Abstract: En Route Travel Time Estimation (ER-TTE) aims to learn driving patterns from traveled routes to achieve rapid and accurate real-time predictions. However, existing methods ignore the complexity and dynamism of real-world traffic systems, resulting in significant gaps in efficiency and accuracy in real-time scenarios. Addressing this issue is a critical yet challenging task. This paper proposes a novel framework that redefines the implementation path of ER-TTE to achieve highly efficient and effective predictions. Firstly, we introduce a novel pipeline consisting of a Decision Maker and a Predictor to rectify the inefficient prediction strategies of current methods. The Decision Maker performs efficient real-time decisions to determine whether the high-complexity prediction model in the Predictor needs to be invoked, and the Predictor recalculates the travel time or infers from historical prediction results based on these decisions. Next, to tackle the dynamic and uncertain real-time scenarios, we model the online decision-making problem as a Markov decision process and design an intelligent agent based on reinforcement learning for autonomous decision-making. Moreover, to fully exploit the spatio-temporal correlation between online data and offline data, we meticulously design feature representation and encoding techniques based on the attention mechanism. Finally, to improve the flawed training and evaluation strategies of existing methods, we propose an end-to-end training and evaluation approach, incorporating curriculum learning strategies to manage spatio-temporal data for more advanced training algorithms. Extensive evaluations on three real-world datasets confirm that our method significantly outperforms state-of-the-art solutions in both accuracy and efficiency.
- Abstract（参考訳）: En Route Travel Time Estimation (ER-TTE) は、走行経路から運転パターンを学習し、迅速かつ正確なリアルタイム予測を実現することを目的としている。
しかし、既存の手法は実世界の交通システムの複雑さとダイナミズムを無視しており、結果としてリアルタイムシナリオにおける効率と精度に大きなギャップが生じる。
この問題に対処することは、批判的だが難しい課題である。
本稿では,ER-TTEの実装経路を再定義し,高効率かつ効率的な予測を行う新しいフレームワークを提案する。
まず,従来の手法の非効率な予測戦略を正すために,意思決定者と予測者からなる新しいパイプラインを導入する。
Decision Makerは、Predictorの高複雑さ予測モデルを呼び出す必要があるかどうかを判断するために効率的なリアルタイム決定を行い、Predictorはこれらの決定に基づいて、旅行時間を再計算するか、過去の予測結果から推測する。
次に、動的かつ不確実なリアルタイムシナリオに取り組むために、オンライン意思決定問題をマルコフ決定プロセスとしてモデル化し、自律的意思決定のための強化学習に基づくインテリジェントエージェントを設計する。
さらに,オンラインデータとオフラインデータの時空間相関をフル活用するために,注意機構に基づく特徴表現と符号化手法を慎重に設計する。
最後に、既存の手法の欠点のあるトレーニングと評価戦略を改善するために、より高度なトレーニングアルゴリズムのための時空間データを管理するためのカリキュラム学習戦略を取り入れたエンドツーエンドのトレーニングと評価アプローチを提案する。
3つの実世界のデータセットに対する大規模な評価により、我々の手法は精度と効率の両面で最先端のソリューションを著しく上回っていることを確認した。
関連論文リスト
- RLOMM: An Efficient and Robust Online Map Matching Framework with Reinforcement Learning [15.616652008152098]
本稿では,多様なシナリオを扱う際の堅牢性を確保しつつ,高精度かつ効率的なマッチングを実現する新しいフレームワークを提案する。
まず,オンライン地図マッチング問題をオンラインマルコフ決定プロセスとしてモデル化することから始める。
次に、モデルのロバスト性を高めるために、リアルタイムデータのロバスト処理を可能にする強化学習法を設計する。
論文 参考訳（メタデータ） (2025-02-05T11:26:32Z) - Online-BLS: An Accurate and Efficient Online Broad Learning System for Data Stream Classification [52.251569042852815]
オンライン更新毎にクローズドフォームソリューションを備えたオンライン広範学習システムフレームワークを導入する。
我々は,効果的な重み推定アルゴリズムと効率的なオンライン更新戦略を設計する。
我々のフレームワークは、コンセプトドリフトを伴うデータストリームシナリオに自然に拡張され、最先端のベースラインを超えます。
論文 参考訳（メタデータ） (2025-01-28T13:21:59Z) - Previous Knowledge Utilization In Online Anytime Belief Space Planning [8.403582577557918]
本研究では,現在の意思決定プロセスにおける過去の計画データを活用する,計算効率のよい新しい手法を提案する。
実験結果から,本手法は高い性能を維持しながら時間を大幅に短縮することが示された。
歴史的計画情報の統合は,不確実な環境下でのオンライン意思決定の効率を大幅に向上させる可能性が示唆された。
論文 参考訳（メタデータ） (2024-12-17T17:45:58Z) - Confidence-Aware Deep Learning for Load Plan Adjustments in the Parcel Service Industry [13.121155604809372]
本研究では,大規模輸送物流企業におけるインバウンド負荷計画調整を自動化するためのディープラーニングに基づくアプローチを開発する。
これは、不確実性が増大する中で、効率よくレジリエントなEコマース事業計画のための重要な課題に対処する。
論文 参考訳（メタデータ） (2024-11-26T15:13:13Z) - Meta-Learning for Speeding Up Large Model Inference in Decentralized Environments [17.309238729647287]
分散AIシステムにおける推論促進のためのメタラーニングベースのフレームワークを提案する。
従来の手法とは異なり,本フレームワークは各タスクの特徴に基づいて,最適な加速度戦略を体系的に同定する。
我々の結果は、分散AIシステムにおける推論加速に革命をもたらすメタラーニングの可能性を強調した。
論文 参考訳（メタデータ） (2024-10-28T04:29:16Z) - Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。
提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
論文 参考訳（メタデータ） (2024-05-07T17:44:54Z) - Online Network Source Optimization with Graph-Kernel MAB [62.6067511147939]
大規模ネットワークにおける最適なソース配置をオンラインで学習するためのグラフカーネルマルチアームバンディットアルゴリズムであるGrab-UCBを提案する。
適応グラフ辞書モデルを用いて,ネットワークプロセスを記述する。
我々は、ネットワークパラメータに依存する性能保証を導出し、シーケンシャルな意思決定戦略の学習曲線にさらに影響を及ぼす。
論文 参考訳（メタデータ） (2023-07-07T15:03:42Z) - Limitations of a proposed correction for slow drifts in decision
criterion [0.0]
ランダムドリフトからの系統的な更新を曖昧にするためのモデルに基づくアプローチを提案する。
提案手法は,決定基準におけるドリフトの潜航軌跡を正確に回復することを示す。
本結果は,生成過程の仮定を直接意思決定モデルに組み込むことの利点を強調した。
論文 参考訳（メタデータ） (2022-05-22T19:33:19Z) - The Statistical Complexity of Interactive Decision Making [126.04974881555094]
複雑度尺度であるDecision-Estimation Coefficientは,サンプル効率のインタラクティブ学習に必要かつ十分であることが証明された。
統合アルゴリズム設計原則であるE2Dは、教師付き推定のための任意のアルゴリズムを、意思決定のためのオンラインアルゴリズムに変換する。
論文 参考訳（メタデータ） (2021-12-27T02:53:44Z) - Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。
学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。
提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
論文 参考訳（メタデータ） (2021-11-11T23:31:34Z) - Fast Rates for Contextual Linear Optimization [52.39202699484225]
提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。
予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
論文 参考訳（メタデータ） (2020-11-05T18:43:59Z)
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。