論文の概要: A comparative study of deep learning and ensemble learning to extend the horizon of traffic forecasting

• arxiv url: http://arxiv.org/abs/2504.21358v1
• Date: Wed, 30 Apr 2025 06:31:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 22:10:00.090154
• Title: A comparative study of deep learning and ensemble learning to extend the horizon of traffic forecasting
• Title（参考訳）: 交通予測の地平線を拡大する深層学習とアンサンブル学習の比較研究
• Authors: Xiao Zheng, Saeed Asadi Bagloee, Majid Sarvi,
• Abstract要約: 本稿では,大規模実世界の信号化動脈と高速道路交通流データセットの比較研究を行う。 我々は,1つのアンサンブルML手法,eXtreme Gradient Boosting (XGBoost) および様々なDeep Learning (DL) 手法を開発した。 時間埋め込みはこの文脈で特に効果的であり、30日間の予測でRNNがInformerを31.1%上回るのに役立っている。
• 参考スコア（独自算出の注目度）: 8.600212364887964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic forecasting is vital for Intelligent Transportation Systems, for which Machine Learning (ML) methods have been extensively explored to develop data-driven Artificial Intelligence (AI) solutions. Recent research focuses on modelling spatial-temporal correlations for short-term traffic prediction, leaving the favourable long-term forecasting a challenging and open issue. This paper presents a comparative study on large-scale real-world signalized arterials and freeway traffic flow datasets, aiming to evaluate promising ML methods in the context of large forecasting horizons up to 30 days. Focusing on modelling capacity for temporal dynamics, we develop one ensemble ML method, eXtreme Gradient Boosting (XGBoost), and a range of Deep Learning (DL) methods, including Recurrent Neural Network (RNN)-based methods and the state-of-the-art Transformer-based method. Time embedding is leveraged to enhance their understanding of seasonality and event factors. Experimental results highlight that while the attention mechanism/Transformer framework is effective for capturing long-range dependencies in sequential data, as the forecasting horizon extends, the key to effective traffic forecasting gradually shifts from temporal dependency capturing to periodicity modelling. Time embedding is particularly effective in this context, helping naive RNN outperform Informer by 31.1% for 30-day-ahead forecasting. Meanwhile, as an efficient and robust model, XGBoost, while learning solely from time features, performs competitively with DL methods. Moreover, we investigate the impacts of various factors like input sequence length, holiday traffic, data granularity, and training data size. The findings offer valuable insights and serve as a reference for future long-term traffic forecasting research and the improvement of AI's corresponding learning capabilities.
• Abstract（参考訳）: データ駆動人工知能(AI)ソリューションを開発するために機械学習(ML)手法が広く研究されているインテリジェントトランスポーテーションシステムにとって、トラフィック予測は不可欠である。 最近の研究は、短期交通予測のための時空間相関のモデル化に重点を置いており、望ましい長期予測は挑戦的でオープンな問題である。 本稿では,大規模リアルタイムの信号化動脈と高速道路交通流データセットの比較研究を行い,最大30日間の予測地平線における有望なML手法の評価を目的とした。 時間力学のモデリング能力に着目し,1つのアンサンブルML法,eXtreme Gradient Boosting (XGBoost) と,Recurrent Neural Network (RNN) ベースの手法と最先端の Transformer ベースの手法を含む,多種多様なディープラーニング(DL) 手法を開発した。 時間埋め込みは季節性や事象要因の理解を高めるために活用される。 実験結果から,アテンションメカニズム/トランスフォーマーフレームワークは連続データにおける長距離依存性のキャプチャに有効であるが,予測水平線が拡大するにつれて,効果的なトラフィック予測の鍵は時間依存性のキャプチャから周期性モデリングへと徐々に変化していくことが明らかとなった。 時間埋め込みはこの文脈で特に効果的であり、30日間の予測でRNNがInformerを31.1%上回るのに役立っている。 一方、XGBoostは効率的で堅牢なモデルであり、時間的特徴のみから学習する一方で、DLメソッドと競合して動作します。 さらに,入力シーケンス長,ホリデートラフィック,データ粒度,トレーニングデータサイズなど,さまざまな要因の影響について検討した。 この発見は貴重な洞察を与え、将来の長期交通予測研究とAIの学習能力向上の参考となる。

関連論文リスト

• Exploring Training and Inference Scaling Laws in Generative Retrieval [50.82554729023865]
  モデルサイズ,トレーニングデータスケール,推論時間計算が生成的検索性能にどのように影響するかを検討する。 実験の結果,n-gram-based method はトレーニング法と推論法の両方と強く一致していることがわかった。 LLaMAモデルはT5モデルより一貫して優れており、生成検索におけるデコーダのみの大きなモデルに対して特に有利であることが示唆された。
  論文  参考訳（メタデータ） (2025-03-24T17:59:03Z)
• FRTP: Federating Route Search Records to Enhance Long-term Traffic Prediction [1.5728609542259502]
  本稿では,様々な特徴や時間的粒度や長さを持つ生データから学習できるフェデレートアーキテクチャを提案する。 本実験は,経路探索記録のフェデレーションに焦点をあて,モデルフレームワーク内で生データを処理することから開始する。 提案モデルの精度は,多様な学習パターンとパラメータ設定を用いた評価によって実証される。
  論文  参考訳（メタデータ） (2024-12-23T08:14:20Z)
• Deep End-to-End Survival Analysis with Temporal Consistency [49.77103348208835]
  本稿では,大規模長手データの処理を効率的に行うために,Survival Analysisアルゴリズムを提案する。 我々の手法における中心的な考え方は、時間とともにデータにおける過去と将来の成果が円滑に進化するという仮説である時間的一貫性である。 我々のフレームワークは、安定したトレーニング信号を提供することで、時間的一貫性を大きなデータセットに独自に組み込む。
  論文  参考訳（メタデータ） (2024-10-09T11:37:09Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• TPLLM: A Traffic Prediction Framework Based on Pretrained Large Language Models [27.306180426294784]
  大規模言語モデル(LLM)を利用した新しい交通予測フレームワークであるTPLLMを紹介する。 本フレームワークでは,Lonal Neural Networks (LoCNNs) に基づくシーケンス埋め込み層と,Graph Contemporalal Networks (GCNs) に基づくグラフ埋め込み層を構築し,シーケンスの特徴と空間的特徴を抽出する。 実世界の2つのデータセットの実験では、フルサンプルと数ショットの予測シナリオの両方で、満足できるパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-03-04T17:08:57Z)
• Predicting the Skies: A Novel Model for Flight-Level Passenger Traffic Forecasting [0.0]
  本研究では,飛行レベルの旅客輸送を予測するための新しい多モード深層学習手法を提案する。 本モデルでは, フライト毎に, 過去の交通情報, 運賃情報, 季節特性を収集する。 従来のベンチマークと比較すると,平均二乗誤差はおよそ33%改善した。
  論文  参考訳（メタデータ） (2024-01-07T06:51:26Z)
• To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
  大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。 本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。 第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
  論文  参考訳（メタデータ） (2023-05-22T17:02:15Z)
• 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)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
  混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。 生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。 我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
  論文  参考訳（メタデータ） (2020-06-23T08:49:46Z)
• Deep Echo State Networks for Short-Term Traffic Forecasting: Performance Comparison and Statistical Assessment [8.586891288891263]
  短期的な交通予測では、関心のある交通パラメータの将来の値を正確に予測することが目的である。 Deep Echo State Networksは、考慮されている他のモデリングモデルよりも正確なトラフィック予測を実現している。
  論文  参考訳（メタデータ） (2020-04-17T11:07:25Z)

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。