論文の概要: MSTIM: A MindSpore-Based Model for Traffic Flow Prediction
- arxiv url: http://arxiv.org/abs/2504.13576v1
- Date: Fri, 18 Apr 2025 09:19:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-28 16:30:08.999224
- Title: MSTIM: A MindSpore-Based Model for Traffic Flow Prediction
- Title（参考訳）: MSTIM:MindSporeを用いた交通流予測モデル
- Authors: Weiqi Qin, Yuxin Liu, Dongze Wu, Zhenkai Qin, Qining Luo,
- Abstract要約: 本稿では,Mindspore フレームワークに基づくマルチスケール時系列情報モデリングモデル MSTIM を提案する。
長期記憶ネットワーク(LSTM)、畳み込みニューラルネットワーク(CNN)、アテンションメカニズムを統合して、モデリング精度と安定性を向上させる。
MSTIMモデルは平均絶対誤差(MAE)、平均正方誤差(MSE)、ルート平均正方誤差(RMSE)の計測値においてより良い結果が得られることを示す。
- 参考スコア（独自算出の注目度）: 2.4604039212534508
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Aiming at the problems of low accuracy and large error fluctuation of traditional traffic flow predictionmodels when dealing with multi-scale temporal features and dynamic change patterns. this paperproposes a multi-scale time series information modelling model MSTIM based on the Mindspore framework, which integrates long and short-term memory networks (LSTMs), convolutional neural networks (CNN), and the attention mechanism to improve the modelling accuracy and stability. The Metropolitan Interstate Traffic Volume (MITV) dataset was used for the experiments and compared and analysed with typical LSTM-attention models, CNN-attention models and LSTM-CNN models. The experimental results show that the MSTIM model achieves better results in the metrics of Mean Absolute Error (MAE), Mean Square Error (MSE), and Root Mean Square Error (RMSE), which significantly improves the accuracy and stability of the traffic volume prediction.
- Abstract（参考訳）: マルチスケールの時間的特徴と動的変化パターンを扱う場合, 従来の交通流予測モデルでは, 精度が低く, 誤差の変動が大きい。
本稿では,長期・短期記憶ネットワーク(LSTM)と畳み込みニューラルネットワーク(CNN)を統合したMindsporeフレームワークに基づくマルチスケール時系列情報モデリングモデルMSTIMと,モデリング精度と安定性を向上させるアテンションメカニズムを提案する。
実験にはMetropolitan Interstate Traffic Volume (MITV)データセットを使用し、典型的なLSTMアテンションモデル、CNNアテンションモデル、LSTM-CNNモデルと比較分析した。
実験の結果,MSTIMモデルは平均絶対誤差(MAE),平均正方誤差(MSE),ルート平均正方誤差(RMSE)の計測値において,交通量予測の精度と安定性を著しく向上させることがわかった。
関連論文リスト
- MSCMHMST: A traffic flow prediction model based on Transformer [7.350117994428983]
本研究では,交通流予測における重要な課題に対処することを目的とした,MSCMHMSTというトランスフォーマーに基づくハイブリッドモデルを提案する。
MSCMHMSTモデルはマルチヘッド・マルチスケールアテンション機構を導入し、モデルがデータの異なる部分を並列処理し、その固有表現を複数の視点から学習できるようにする。
特定の実験環境を持つPeMS04/08データセットの実験により、MSCMHMSTモデルは、長期・中期・短期の交通流予測において、優れた堅牢性と正確性を示した。
論文 参考訳（メタデータ） (2025-03-16T03:40:32Z) - Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - Reduced-order modeling of unsteady fluid flow using neural network ensembles [0.0]
本稿では,一般的なアンサンブル学習手法であるバッグングを用いて,完全なデータ駆動型リダクションモデルフレームワークを開発することを提案する。
このフレームワークはCAEを用いて全階モデルとLSTMアンサンブルの空間的再構成を行い、時系列予測を行う。
その結果,提案フレームワークはエラーの伝播を効果的に低減し,未確認点における潜伏変数の時系列予測をより正確に行うことができることがわかった。
論文 参考訳（メタデータ） (2024-02-08T03:02:59Z) - Differential Evolution Algorithm based Hyper-Parameters Selection of
Transformer Neural Network Model for Load Forecasting [0.0]
トランスフォーマーモデルは、そのアテンションメカニズムから派生した長距離依存を学習できるため、ロード予測を改善する可能性がある。
我々の研究は,平均二乗誤差 (MSE) や平均絶対パーセンテージ誤差 (MAPE) といった数値に基づく負荷予測において,異なるメタヒューリスティックアルゴリズムと統合されたトランスフォーマーベースニューラルネットワークモデルを比較した。
論文 参考訳（メタデータ） (2023-07-28T04:29:53Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳（メタデータ） (2023-07-25T14:09:53Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。
この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。
本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2023-02-16T06:13:01Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z) - Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network
for Forecasting Network-wide Traffic State with Missing Values [23.504633202965376]
我々は、RNNベースのモデルに注目し、RNNとその変種を交通予測モデルに組み込む方法を再検討する。
トラフィック状態予測のためのニューラルネットワーク構造の設計を支援するために,スタック型双方向・一方向LSTMネットワークアーキテクチャ(SBU-LSTM)を提案する。
また,LSTM構造(LSTM-I)におけるデータ計算機構を提案する。
論文 参考訳（メタデータ） (2020-05-24T00:17:15Z) - Difference Attention Based Error Correction LSTM Model for Time Series
Prediction [3.7990471017645855]
本稿では,差分注意型LSTMモデルと誤り訂正型LSTMモデルをそれぞれカスケード方式で組み合わせた時系列予測モデルを提案する。
新たな特徴と新たな原則学習フレームワークにより,時系列の予測精度を向上させることができる。
論文 参考訳（メタデータ） (2020-03-30T16:48:30Z) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳（メタデータ） (2020-03-16T03:43:59Z)
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。