論文の概要: Towards An Efficient and Effective En Route Travel Time Estimation Framework

• arxiv url: http://arxiv.org/abs/2504.04086v1
• Date: Sat, 05 Apr 2025 07:15:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:11:59.174487
• Title: Towards An Efficient and Effective En Route Travel Time Estimation Framework
• Title（参考訳）: 経路走行時間推定フレームワークの効率化と有効化に向けて
• Authors: Zekai Shen, Haitao Yuan, Xiaowei Mao, Congkang Lv, Shengnan Guo, Youfang Lin, Huaiyu Wan,
• Abstract要約: 経路旅行時間推定(ER-TTE)は、残りの経路の走行時間を予測することに焦点を当てる。 既存のER-TTEメソッドは、常にリアルタイムのパフォーマンスを著しく損なう再推定を行う。 不確実性誘導決定機構(UGD)とファインチューニングとメタラーニング(FTML)を組み合わせた汎用的効率的なフレームワークU-ERTTEを提案する。
• 参考スコア（独自算出の注目度）: 20.389337165782646
• License:
• Abstract: En route travel time estimation (ER-TTE) focuses on predicting the travel time of the remaining route. Existing ER-TTE methods always make re-estimation which significantly hinders real-time performance, especially when faced with the computational demands of simultaneous user requests. This results in delays and reduced responsiveness in ER-TTE services. We propose a general efficient framework U-ERTTE combining an Uncertainty-Guided Decision mechanism (UGD) and Fine-Tuning with Meta-Learning (FTML) to address these challenges. UGD quantifies the uncertainty and provides confidence intervals for the entire route. It selectively re-estimates only when the actual travel time deviates from the predicted confidence intervals, thereby optimizing the efficiency of ER-TTE. To ensure the accuracy of confidence intervals and accurate predictions that need to re-estimate, FTML is employed to train the model, enabling it to learn general driving patterns and specific features to adapt to specific tasks. Extensive experiments on two large-scale real datasets demonstrate that the U-ERTTE framework significantly enhances inference speed and throughput while maintaining high effectiveness. Our code is available at https://github.com/shenzekai/U-ERTTE
• Abstract（参考訳）: 経路旅行時間推定(ER-TTE)は、残りの経路の走行時間を予測することに焦点を当てる。 既存のER-TTEメソッドは、特に同時ユーザ要求の計算要求に直面する場合、リアルタイムのパフォーマンスを著しく損なうような再推定を行う。 これにより、ER-TTEサービスの応答性が低下する。 本稿では,不確実性誘導決定機構(UGD)とFine-Tuning with Meta-Learning(FTML)を組み合わせた汎用的効率的なフレームワークU-ERTTEを提案する。 UGDは不確実性を定量化し、経路全体の信頼区間を提供する。 実際の走行時間が予測された信頼区間からずれた場合にのみ選択的に再推定し、ER−TTEの効率を最適化する。 信頼区間の正確さと再見積が必要な正確な予測を保証するため、FTMLはモデルをトレーニングするために使用され、特定のタスクに適応するための一般的な駆動パターンや特定の特徴を学習することができる。 2つの大規模な実データセットに対する大規模な実験により、U-ERTTEフレームワークは推論速度とスループットを著しく向上し、高い効率を維持していることが示された。 私たちのコードはhttps://github.com/shenzekai/U-ERTTEで利用可能です。

関連論文リスト

• Confident or Seek Stronger: Exploring Uncertainty-Based On-device LLM Routing From Benchmarking to Generalization [61.02719787737867]
  大規模言語モデル(LLM)はますますエッジデバイスにデプロイされ、民主化されている。 1つの有望な解決策は不確実性に基づくSLMルーティングであり、SLM上での低信頼応答が発生すると、高い要求を強いLCMにオフロードする。 我々は1500以上の設定でSLMからLLMへの不確実性駆動型ルーティング戦略のベンチマークと一般化を包括的に調査する。
  論文  参考訳（メタデータ） (2025-02-06T18:59:11Z)
• The Efficiency vs. Accuracy Trade-off: Optimizing RAG-Enhanced LLM Recommender Systems Using Multi-Head Early Exit [46.37267466656765]
  本稿では,Retrieval-Augmented Generation(RAG)と革新的なマルチヘッドアーリーエグジットアーキテクチャを組み合わせた最適化フレームワークを提案する。 我々の実験は、信頼性の高いレコメンデーション配信に必要な精度を犠牲にすることなく、このアーキテクチャがいかに効果的に時間を削減するかを実証している。
  論文  参考訳（メタデータ） (2025-01-04T03:26:46Z)
• AdaShadow: Responsive Test-time Model Adaptation in Non-stationary Mobile Environments [24.606016498430407]
  本稿では,非定常移動データ配信と資源動態のための応答性テスト時間適応フレームワークであるAdaShadowを提案する。 AdaShadowは、レイヤの重要度とレイテンシを推定する上での課題と、最適なレイヤ更新計画のスケジューリングに対処する。 その結果,AdaShadowは連続的なシフトの下で最高の精度-遅延バランスを達成することがわかった。
  論文  参考訳（メタデータ） (2024-10-10T16:41:39Z)
• DutyTTE: Deciphering Uncertainty in Origin-Destination Travel Time Estimation [20.105582223771627]
  旅行時間推定(TTE)の不確実性定量化は、旅行時間の信頼区間を推定することを目的としている。 提案するDutyTTEは,(1)真実に整合した経路の予測,2)各セグメントにおける旅行時間の影響のモデル化,という2つの課題に対処する。
  論文  参考訳（メタデータ） (2024-08-23T03:06:04Z)
• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• A Comparative Study of Loss Functions: Traffic Predictions in Regular and Congestion Scenarios [0.0]
  本稿では、重み解析と不均衡な分類問題から着想を得た種々の損失関数を探索し、この問題に対処する。 平均絶対誤差(MAE)を最適化する場合,MAE-Focal Loss関数が最も有効であることがわかった。 本研究は,混雑による急激な速度変化を予測する深層学習モデルの能力を高める。
  論文  参考訳（メタデータ） (2023-08-29T17:44:02Z)
• Dynamic Transformers Provide a False Sense of Efficiency [75.39702559746533]
  マルチエグジットモデルは、計算の節約を早期出口から得るため、効率と精度をトレードオフする。 本稿では,マルチエグジットモデルの効率を抑えるために特別に最適化された,シンプルで効果的なアタック・フレームワークであるITAを提案する。 GLUEベンチマークの実験により、Pameは様々なマルチエクイットモデルの効率向上を平均80%削減できることが示された。
  論文  参考訳（メタデータ） (2023-05-20T16:41:48Z)
• Unsupervised Domain Adaptation for Speech Recognition via Uncertainty Driven Self-Training [55.824641135682725]
  WSJ をソースドメインとし,TED-Lium 3 とSWITCHBOARD を併用したドメイン適応実験を行った。
  論文  参考訳（メタデータ） (2020-11-26T18:51:26Z)
• FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
  フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。 異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。 実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
  論文  参考訳（メタデータ） (2020-06-07T08:10:47Z)
• Confidence Trigger Detection: Accelerating Real-time Tracking-by-detection Systems [1.6037469030022993]
  信頼強化検出(CTD)は、中間状態によく似たフレームのオブジェクト検出を戦略的に回避する革新的な手法である。 CTDは追跡速度を向上するだけでなく、既存の追跡アルゴリズムを超越して精度も維持する。 本実験はCTDフレームワークの堅牢性と汎用性を実証し,資源制約環境におけるリアルタイムトラッキングの実現の可能性を示した。
  論文  参考訳（メタデータ） (2019-02-02T01:52:53Z)

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。