画像として時系列を符号化する交通データ補完のための深層畳込み生成敵対ネットワーク【JST・京大機械翻訳】

Huang Tongge; Chakraborty Pranamesh; Sharma Anuj

プレプリント

J-GLOBAL ID：202202220337217197 整理番号：22P0144901

画像として時系列を符号化する交通データ補完のための深層畳込み生成敵対ネットワーク【JST・京大機械翻訳】

Deep convolutional generative adversarial networks for traffic data imputation encoding time series as images

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年05月05日プレプリントサーバーでの情報更新日： 2020年05月05日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

十分な高品質トラフィックデータは,様々な知的交通システム(ITS)応用と混雑予測,速度予測,事故検出,および他の交通操作タスクに関連する研究の重要な構成要素である。それにもかかわらず,欠落トラヒックデータは,誤動作,貧弱な保守またはキャリブレーション,および間欠通信のようないくつかの理由により避けられないセンサデータにおける共通の問題である。このような欠測データ問題は,しばしばデータ解析と意思決定を複雑かつ挑戦的にする。本研究では,現実的な合成データを生成することにより欠測データを効率的に再構成するために,生成敵対ネットワーク(GAN)ベースのトラヒックセンサデータ補完フレームワーク(TSDIGAN)を開発した。近年,GANは画像データ生成において印象的な成功を示した。しかし,トラヒックデータが強い時間依存性を持つので,GANベースモデリングを利用してトラヒックデータを生成することは挑戦的なタスクである。この問題に取り組むために,トラヒック時系列データ生成の問題を画像生成のものに変換するGramian Angular Summation Field(GASF)と呼ばれる新しい時間依存符号化法を提案した。Caltrans性能管理システム(PeMS)によって提供されたベンチマークデータセットを用いて,提案モデルを評価し,試験した。本研究は,提案モデルが,ベンチマークデータセットに関する最先端モデルと比較して,平均絶対誤差(MAE)と二乗平均平方根誤差(RMSE)に関して,交通データ補完精度を著しく改良できることを示した。さらに,このモデルは,非常に高い欠落データ率(>50%)の下でさえ,推定タスクにおいて合理的に高い精度を達成し,提案モデルのロバスト性と効率を示す。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

交通調査

, , , , , ,

前のページに戻る