Large-Scale Traffic Congestion Prediction based on Multimodal Fusion and Representation Mapping

要約

都市化プロセスの進行に伴い、都市交通システムは都市の発展と住民の生活の質にとって非常に重要です。
中でも渋滞要因を分析して渋滞を判断することは最も重要な業務の一つです。
最近、交通渋滞を予測するために、さまざまな従来型の機械学習ベースのモデルが導入されています。
ただし、これらのモデルは、大規模な混雑要因について不十分に集約されているか、大規模空間内のすべての正確な位置について正確な予測を行うことができません。
これらの問題を軽減するために、畳み込みニューラル ネットワークに基づく新しいエンドツーエンド フレームワークがこの論文で提案されています。
このフレームワークは、学習表現を使用して、さまざまなグローバル参照情報と組み合わせて、大規模地図上の任意のクエリ位置での交通渋滞予測を実現するための、新しいマルチモーダル融合モジュールと新しい表現マッピング モジュールを提案します。
提案されたフレームワークは、現実世界の大規模データセットで重要な結果と効率的な推論を達成します。

要約(オリジナル)

With the progress of the urbanisation process, the urban transportation system is extremely critical to the development of cities and the quality of life of the citizens. Among them, it is one of the most important tasks to judge traffic congestion by analysing the congestion factors. Recently, various traditional and machine-learning-based models have been introduced for predicting traffic congestion. However, these models are either poorly aggregated for massive congestion factors or fail to make accurate predictions for every precise location in large-scale space. To alleviate these problems, a novel end-to-end framework based on convolutional neural networks is proposed in this paper. With learning representations, the framework proposes a novel multimodal fusion module and a novel representation mapping module to achieve traffic congestion predictions on arbitrary query locations on a large-scale map, combined with various global reference information. The proposed framework achieves significant results and efficient inference on real-world large-scale datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google