ترجمه فارسی مقاله پیش‌بینی سنجش جزئی مکانی-زمانی برای ترافیک بلندمدت

چکیده

Traffic forecasting uses recent measurements by sensors installed at chosen locations to forecast the future road traffic. Existing work either assumes all locations are equipped with sensors or focuses on short-term forecast. This paper studies partial sensing traffic forecast of long-term traffic, assuming sensors only at some locations. The study is important in lowering the infrastructure investment cost in traffic management since deploying sensors at all locations could incur prohibitively high cost. However, the problem is challenging due to the unknown distribution at unsensed locations, the intricate spatio-temporal correlation in long-term forecasting, as well as noise in data and irregularities in traffic patterns (e.g., road closure). We propose a Spatio-Temporal Partial Sensing (STPS) forecast model for long-term traffic prediction, with several novel contributions, including a rank-based embedding technique to capture irregularities and overcome noise, a spatial transfer matrix to overcome the spatial distribution shift from permanently sensed locations to unsensed locations, and a multi-step training process that utilizes all available data to successively refine the model parameters for better accuracy. Extensive experiments on several real-world traffic datasets demonstrate that STPS outperforms the state-of-the-art and achieves superior accuracy in partial sensing long-term forecasting.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی ترافیک از اندازه گیری های اخیر توسط سنسورهای نصب شده در مکان های انتخاب شده برای پیش بینی ترافیک جاده ای آینده استفاده می کند.کار موجود یا فرض می کند که همه مکان ها به سنسورها مجهز هستند یا بر پیش بینی کوتاه مدت تمرکز دارند.این مقاله به بررسی پیش بینی ترافیک سنجش جزئی از ترافیک طولانی مدت ، با فرض سنسورها فقط در برخی از مکان ها.این مطالعه در کاهش هزینه سرمایه گذاری زیرساخت ها در مدیریت ترافیک مهم است زیرا استقرار سنسورها در همه مکان ها می تواند هزینه های بالایی را متحمل شود.با این حال ، این مشکل به دلیل توزیع ناشناخته در مکان های غیرحساب ، همبستگی فضایی و زمانی پیچیده در پیش بینی بلند مدت و همچنین نویز در داده ها و بی نظمی در الگوهای ترافیکی (به عنوان مثال ، بسته شدن جاده) چالش برانگیز است.ما برای پیش بینی ترافیک طولانی مدت ، با چندین کمک جدید ، از جمله یک تکنیک تعبیه مبتنی بر رتبه برای گرفتن بی نظمی و غلبه بر سر و صدا ، یک ماتریس انتقال مکانی برای غلبه بر تغییر توزیع فضایی از یک مدل پیش بینی کننده فضا-زمانی-زمانی (STPS) برای پیش بینی ترافیک طولانی مدت ، با چندین کمک جدید ، از جمله یک روش تعبیه مبتنی بر رتبه ، پیشنهاد می کنیم.مکانهای حساس به صورت دائمی به مکانهای غیرحضوری و یک فرآیند آموزش چند مرحله ای که از تمام داده های موجود برای تصحیح پی در پی پارامترهای مدل برای دقت بهتر استفاده می کند.آزمایش های گسترده ای در چندین مجموعه داده ترافیک در دنیای واقعی نشان می دهد که STP ها از پیشرفته ترین سطح برتر برخوردار هستند و در پیش بینی طولانی مدت سنجش جزئی به دقت برتر می رسند.