Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Cross-Modal Reconstruction Pretraining for Ramp Flow Prediction at Highway Interchanges

Created by
  • Haebom
Category
Empty

저자

Yongchao Li, Jun Chen, Zhuoxuan Li, Chao Gao, Yang Li, Chu Zhang, Changyin Dong

개요

본 논문은 고속도로 인터체인지에서 램프 검출기의 부재로 인한 교통 예측의 어려움을 해결하기 위해 Spatio-Temporal Decoupled Autoencoder (STDAE)를 제안합니다. STDAE는 두 단계 프레임워크로, 교차 모달 재구성을 활용합니다. 첫 번째 단계에서 STDAE는 본선 데이터를 기반으로 과거 램프 흐름을 재구성하여 시공간적 관계를 학습합니다. 병렬 공간 및 시간 오토인코더를 통해 이질적인 특징을 효율적으로 추출합니다. 예측 단계에서는 학습된 표현을 GWNet과 같은 모델에 통합하여 정확도를 향상시킵니다. 세 개의 실제 인터체인지 데이터셋에 대한 실험 결과, STDAE-GWNET은 13개의 최첨단 기준선을 일관되게 능가하며, 과거 램프 데이터를 사용하는 모델과 유사한 성능을 보입니다. 이는 검출기 부족 문제를 해결하고 다양한 예측 파이프라인에 적용할 수 있는 잠재력을 보여줍니다.

시사점, 한계점

•
시사점:
◦
램프 검출기 부족 문제를 해결하기 위한 효과적인 모델 제안
◦
실시간 램프 데이터 없이도 우수한 예측 성능 달성
◦
다양한 예측 파이프라인에 플러그 앤 플레이 방식으로 적용 가능
◦
실제 인터체인지 데이터셋에서 13개의 최첨단 모델보다 우수한 성능 입증
•
한계점:
◦
논문에 구체적인 한계점 언급 없음 (Abstract 내용에 한정)
👍
Made with Slashpage