論文の概要: SUSTeR: Sparse Unstructured Spatio Temporal Reconstruction on Traffic Prediction

• arxiv url: http://arxiv.org/abs/2502.16935v1
• Date: Mon, 24 Feb 2025 08:01:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:53:08.898694
• Title: SUSTeR: Sparse Unstructured Spatio Temporal Reconstruction on Traffic Prediction
• Title（参考訳）: SUSTeR: 交通予報におけるスパース非構造時空間再構成
• Authors: Yannick Wölker, Christian Beth, Matthias Renz, Arne Biastoch,
• Abstract要約: 道路網における交通センサの分布は, 概して希少である。 空間的に不規則で非決定論的な交通観測における交通予測の問題に取り組む。
• 参考スコア（独自算出の注目度）: 3.2248805768155835
• License:
• Abstract: Mining spatio-temporal correlation patterns for traffic prediction is a well-studied field. However, most approaches are based on the assumption of the availability of and accessibility to a sufficiently dense data source, which is rather the rare case in reality. Traffic sensors in road networks are generally highly sparse in their distribution: fleet-based traffic sensing is sparse in space but also sparse in time. There are also other traffic application, besides road traffic, like moving objects in the marine space, where observations are sparsely and arbitrarily distributed in space. In this paper, we tackle the problem of traffic prediction on sparse and spatially irregular and non-deterministic traffic observations. We draw a border between imputations and this work as we consider high sparsity rates and no fixed sensor locations. We advance correlation mining methods with a Sparse Unstructured Spatio Temporal Reconstruction (SUSTeR) framework that reconstructs traffic states from sparse non-stationary observations. For the prediction the framework creates a hidden context traffic state which is enriched in a residual fashion with each observation. Such an assimilated hidden traffic state can be used by existing traffic prediction methods to predict future traffic states. We query these states with query locations from the spatial domain.
• Abstract（参考訳）: 交通予測のための時空間相関パターンのマイニングはよく研究されている分野である。 しかし、ほとんどのアプローチは、十分に密集したデータソースの可用性とアクセシビリティの仮定に基づいている。 道路網の交通センサーは、一般にその分布において非常に疎らであり、艦隊による交通検知は空間的にも疎らであるが、時間的にも疎らである。 道路交通以外にも、海洋空間における物体の移動のような交通の応用があり、観測は小さく、空間内では任意に分散している。 本稿では,空間的に不規則で非決定論的な交通観測における交通予測の問題に取り組む。 我々は、高いスパシティ率と固定センサー位置を考慮し、命令とこの作業の境界線を描きます。 我々は,スパース非定常観測からトラフィック状態を再構築するスパース非構造時空間再構成(SUSTeR)フレームワークによる相関マイニング手法を推進した。 予測のために、フレームワークは、観測ごとに残留的な方法で強化された隠れコンテキストトラフィック状態を生成する。 このような同化された隠れトラフィック状態は、将来のトラフィック状態を予測するための既存のトラフィック予測手法によって利用することができる。 これらの状態に空間領域からのクエリロケーションを問い合わせる。

関連論文リスト

• Spatio-Temporal Partial Sensing Forecast for Long-term Traffic [11.052930563842347]
  本稿では,一部の場所でのみセンサを仮定して,長期交通量の部分的検知トラフィック予測について検討する。 この研究は、あらゆる場所にセンサーを配置することでコストが高くなるため、交通管理におけるインフラ投資コストを下げる上で重要である。
  論文  参考訳（メタデータ） (2024-08-02T21:22:22Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• 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)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• STCGAT: Spatial-temporal causal networks for complex urban road traffic flow prediction [12.223433627287605]
  交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。 既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。 本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-21T06:38:34Z)
• Multistep traffic speed prediction: A deep learning based approach using latent space mapping considering spatio-temporal dependencies [2.3204178451683264]
  ITSは、過去のトラフィックデータと現在のトラフィックデータに基づいて、複数の時間ステップで正確なトラフィック予測を提供する、信頼性の高いトラフィック予測を必要とする。 深層学習に基づくアプローチは,空間的依存と時間的依存の両方を用いて開発されている。 提案手法は,最小誤差の60分前予測においても,正確な交通予測結果を提供することがわかった。
  論文  参考訳（メタデータ） (2021-11-03T10:17:48Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Space Meets Time: Local Spacetime Neural Network For Traffic Flow Forecasting [11.495992519252585]
  このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。 交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。 提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
  論文  参考訳（メタデータ） (2021-09-11T09:04:35Z)
• Spatial-Temporal Tensor Graph Convolutional Network for Traffic Prediction [46.762437988118386]
  本稿では,交通速度予測に対処する空間時間グラフ畳み込みネットワークを提案する。 計算負荷を軽減するために、タッカーテンソル分解を行い、テンソル畳み込みを導出する。 2つの実世界の交通速度データセットの実験は、従来の交通予測方法よりも効果的な方法を示しています。
  論文  参考訳（メタデータ） (2021-03-10T15:28:07Z)
• 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)
• DeepTransport: Learning Spatial-Temporal Dependency for Traffic Condition Forecasting [31.65583737358249]
  交通状況を予測するために,DeepTransportというエンドツーエンドのフレームワークを提案する。 CNNとRNNは、交通ネットワークトポロジ内の時空間交通情報を得るために利用される。 5分間の解像度で,実世界の大規模交通条件データセットを構築し,リリースした。
  論文  参考訳（メタデータ） (2017-09-27T15:39:49Z)

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。