Generalized adaptive smoothing based neural network architecture for traffic state estimation

要約

適応的平滑化法（ASM）は、交通状態推定に用いられる標準的なデータ駆動型手法である。ASMは自由パラメータを持っており、実際には、直感に基づき一般的に許容される値を選択する。しかし、このような直感的に選択されたパラメータは、しばしば非物理的な予測結果をもたらすことに注意する必要がある。そこで、本研究では、道路センサーの疎なデータから学習することにより、これらのパラメータを自動的に調整するASMに基づくニューラルネットワークを提案する。これを適応的平滑化ニューラルネットワーク(ASNN)と呼ぶ。また、アンサンブル平均を用いることで強力な学習能力を持つ修正ASNN（MASNN）を提案する。ASNNとMASNNは2つの実世界のデータセットで学習とテストを行った。実験の結果、ASNNとMASNNは従来のASMを凌駕することが明らかとなった。

要約(オリジナル)

The adaptive smoothing method (ASM) is a standard data-driven technique used in traffic state estimation. The ASM has free parameters which, in practice, are chosen to be some generally acceptable values based on intuition. However, we note that the heuristically chosen values often result in un-physical predictions by the ASM. In this work, we propose a neural network based on the ASM which tunes those parameters automatically by learning from sparse data from road sensors. We refer to it as the adaptive smoothing neural network (ASNN). We also propose a modified ASNN (MASNN), which makes it a strong learner by using ensemble averaging. The ASNN and MASNN are trained and tested two real-world datasets. Our experiments reveal that the ASNN and the MASNN outperform the conventional ASM.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL