論文の概要: Effective and Efficient Cross-City Traffic Knowledge Transfer A Privacy-Preserving Perspective

• arxiv url: http://arxiv.org/abs/2503.11963v1
• Date: Sat, 15 Mar 2025 02:26:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:59:35.645713
• Title: Effective and Efficient Cross-City Traffic Knowledge Transfer A Privacy-Preserving Perspective
• Title（参考訳）: プライバシ保護の観点からの効果的かつ効率的な都市間交通情報伝達
• Authors: Zhihao Zeng, Ziquan Fang, Yuting Huang, Lu Chen, Yunjun Gao,
• Abstract要約: 我々は、効果的で、効率的で、プライバシーに配慮したクロスシティ交通知識伝達フレームワークであるFedTTを提案する。 FedTTは、トラフィックデータドメインを、データ豊富な都市からデータ少ない都市に変換する。 4つの実生活データセットを用いた実験は、FedTTが14の最先端ベースラインを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 24.359053901146623
• License:
• Abstract: Traffic prediction targets forecasting future traffic conditions using historical traffic data, serving a critical role in urban computing and transportation management. To mitigate the scarcity of traffic data while maintaining data privacy, numerous Federated Traffic Knowledge Transfer (FTT) approaches have been developed, which use transfer learning and federated learning to transfer traffic knowledge from data-rich cities to data-scarce cities, enhancing traffic prediction capabilities for the latter. However, current FTT approaches face challenges such as privacy leakage, cross-city data distribution discrepancies, low data quality, and inefficient knowledge transfer, limiting their privacy protection, effectiveness, robustness, and efficiency in real-world applications. To this end, we propose FedTT, an effective, efficient, and privacy-aware cross-city traffic knowledge transfer framework that transforms the traffic data domain from the data-rich cities and trains traffic models using the transformed data for the data-scarce cities. First, to safeguard data privacy, we propose a traffic secret transmission method that securely transmits and aggregates traffic domain-transformed data from source cities using a lightweight secret aggregation approach. Second, to mitigate the impact of traffic data distribution discrepancies on model performance, we introduce a traffic domain adapter to uniformly transform traffic data from the source cities' domains to that of the target city. Third, to improve traffic data quality, we design a traffic view imputation method to fill in and predict missing traffic data. Finally, to enhance transfer efficiency, FedTT is equipped with a federated parallel training method that enables the simultaneous training of multiple modules. Extensive experiments using 4 real-life datasets demonstrate that FedTT outperforms the 14 state-of-the-art baselines.
• Abstract（参考訳）: 交通予測は、過去の交通データを用いて将来の交通状況を予測することを目的としており、都市コンピューティングと交通管理において重要な役割を担っている。 データプライバシを維持しながら、トラフィックデータの不足を軽減するために、データ豊富な都市からデータ共有都市へのトラフィック知識の伝達にトランスファー学習とフェデレート学習を使用して、後者のトラフィック予測能力を向上する、多くのフェデレートトラフィック知識転送(FTT)アプローチが開発されている。 しかしながら、現在のFTTアプローチでは、プライバシリーク、都市間データ分散の相違、データ品質の低さ、非効率な知識転送といった課題に直面し、現実のアプリケーションにおけるプライバシ保護、有効性、堅牢性、効率性を制限している。 この目的のために,フェデットを提案する。フェデットは,データ豊富な都市からトラフィックデータ領域を変換し,トランスフォーメーションデータを用いて交通モデルを訓練する,効果的な,効率的で,プライバシに配慮したクロスシティ交通知識伝達フレームワークである。 まず、データプライバシを保護するために、軽量なシークレットアグリゲーションアプローチを用いて、ソース都市からのトラフィックドメイン変換データをセキュアに送信し、集約するトラフィックシークレットトランスミッション手法を提案する。 第2に,交通データ分散の相違がモデル性能に与える影響を緩和するために,ソース都市からターゲット都市へのトラフィックデータを均一に変換するトラフィックドメインアダプタを導入する。 第3に,交通データの品質向上のために,交通データ不足を補充し,予測するためのトラフィックビュー計算手法を設計する。 最後に、転送効率を向上させるため、FedTTは複数のモジュールの同時トレーニングを可能にする並列並列トレーニング方式を備えている。 4つの実生活データセットを用いた大規模な実験は、FedTTが14の最先端ベースラインを上回っていることを示している。

関連論文リスト

• BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
  従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。 本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。 本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
  論文  参考訳（メタデータ） (2024-03-08T04:19:56Z)
• Multi-scale Traffic Pattern Bank for Cross-city Few-shot Traffic Forecasting [15.123457772023238]
  本稿では,マルチスケール交通パターンバンクと呼ばれる都市間交通予測問題に対する解決策を提案する。 このフレームワークは高度なクラスタリング技術を用いて、マルチスケールのトラフィックパターンバンクを体系的に生成する。 実世界の交通データセットを用いた実証評価により,MTPBの優れた性能が確認された。
  論文  参考訳（メタデータ） (2024-02-01T07:33:31Z)
• ChatTraffic: Text-to-Traffic Generation via Diffusion Model [45.82932883802526]
  従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。 本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。 本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
  論文  参考訳（メタデータ） (2023-11-27T08:52:10Z)
• Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank [15.123457772023238]
  交通パターンバンク(TPB)を用いた都市間交通予測フレームワークを提案する。 TPBは、訓練済みのトラフィックパッチエンコーダを使用して、データ豊富な都市からの生のトラフィックデータを高次元空間に投影する。 隣接行列は、下流の時空間モデルで将来のトラフィックを予測するために構成される。
  論文  参考訳（メタデータ） (2023-08-17T13:29:57Z)
• Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
  不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。 複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。 モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
  論文  参考訳（メタデータ） (2023-08-11T13:35:52Z)
• FDTI: Fine-grained Deep Traffic Inference with Roadnet-enriched Graph [10.675666104503119]
  本稿では,詳細な深部交通推論をedIと呼ぶ。 道路間の関係をモデル化するために,交通信号に基づくきめ細かい交通グラフを構築した。 私たちは、都市レベルのきめ細かい交通予測を最初に実施しました。
  論文  参考訳（メタデータ） (2023-06-19T14:03:42Z)
• Traffic Prediction with Transfer Learning: A Mutual Information-based Approach [11.444576186559487]
  そこで我々は,他の都市からのビッグデータを用いて交通予測を行う都市間交通予測手法であるTrafficTLを提案する。 TrafficTLは3つの実世界のデータセットの包括的なケーススタディによって評価され、最先端のベースラインを約8～25%上回る。
  論文  参考訳（メタデータ） (2023-03-13T15:27:07Z)
• Modeling Network-level Traffic Flow Transitions on Sparse Data [6.756998301171409]
  本稿では,スパースデータからネットワークレベルのトラフィックフローを予測できるDTIGNNを提案する。 提案手法は最先端の手法よりも優れており,交通機関の意思決定支援に有効であることを示す。
  論文  参考訳（メタデータ） (2022-08-13T13:30:35Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• 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)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)

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。