論文の概要、ライセンス

# (参考訳) 交通予測のためのグラフニューラルネットワーク:調査 [全文訳有]

Graph Neural Network for Traffic Forecasting: A Survey ( http://arxiv.org/abs/2101.11174v1 )

ライセンス: CC BY 4.0
Weiwei Jiang, Jiayun Luo(参考訳) 交通予測は、インテリジェントな交通システムの成功の重要な要因である。 畳み込みニューラルネットワークと繰り返しニューラルネットワークを含むディープラーニングモデルは、空間的および時間的依存性をモデル化する交通予測問題に適用されている。 近年,交通システムにおけるグラフ構造と文脈情報の両方をモデル化するために,グラフニューラルネットワーク(GNN)が新しいツールとして導入され,交通予測問題における最先端のパフォーマンスを実現している。 本稿では,道路交通流と速度予測,都市鉄道交通システムにおける乗客フロー予測,配車プラットフォームにおける需要予測など,様々な交通予測問題において,グラフ畳み込みやグラフ注意ネットワークなどのgnnを用いた最近の研究が急速に進展していることについて概説する。 また、各問題のためのオープンデータとソースリソースのコレクション、および今後の研究の方向性も提示します。 我々の知る限り、この論文は交通予測問題に対するグラフニューラルネットワークの適用を探求する最初の総合的な調査である。 また、最新の論文、オープンデータ、ソースリソースを更新するための公開Githubリポジトリも作成しました。

Traffic forecasting is an important factor for the success of intelligent transportation systems. Deep learning models including convolution neural networks and recurrent neural networks have been applied in traffic forecasting problems to model the spatial and temporal dependencies. In recent years, to model the graph structures in the transportation systems as well as the contextual information, graph neural networks (GNNs) are introduced as new tools and have achieved the state-of-the-art performance in a series of traffic forecasting problems. In this survey, we review the rapidly growing body of recent research using different GNNs, e.g., graph convolutional and graph attention networks, in various traffic forecasting problems, e.g., road traffic flow and speed forecasting, passenger flow forecasting in urban rail transit systems, demand forecasting in ride-hailing platforms, etc. We also present a collection of open data and source resources for each problem, as well as future research directions. To the best of our knowledge, this paper is the first comprehensive survey that explores the application of graph neural networks for traffic forecasting problems. We have also created a public Github repository to update the latest papers, open data and source resources.
公開日: Wed, 27 Jan 2021 02:35:41 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
1 Graph Neural Network for Traffic Forecasting: A 1 トラフィック予測のためのグラフニューラルネットワーク: A 0.83
Survey Weiwei Jiang, Jiayun Luo 調査 Weiwei Jiang、Jiayun Luo。 0.73
1 2 0 2 n a J 1 2 0 2 n a J 0.85
7 2 ] G L . 7 2 ] G L。 0.81
s c [ 1 v 4 7 1 1 1 sc [ 1 v 4 7 1 1 1 0.68
. 1 0 1 2 : v i X r a . 1 0 1 2 : v i X r a 0.85
Abstract—Traffic forecasting is an important factor for the success of intelligent transportation systems. 抽象的―交通予測はインテリジェント交通システムの成功の重要な要因である。 0.76
Deep learning models including convolution neural networks and recurrent neural networks have been applied in traffic forecasting problems to model the spatial and temporal dependencies. 畳み込みニューラルネットワークと繰り返しニューラルネットワークを含むディープラーニングモデルは、空間的および時間的依存性をモデル化する交通予測問題に適用されている。 0.73
In recent years, to model the graph structures in the transportation systems as well as the contextual information, graph neural networks (GNNs) are introduced as new tools and have achieved the state-ofthe-art performance in a series of traffic forecasting problems. 近年,交通システムにおけるグラフ構造と文脈情報の両方をモデル化するために,グラフニューラルネットワーク(GNN)が新しいツールとして導入され,交通予測問題における最先端のパフォーマンスを実現している。 0.90
In this survey, we review the rapidly growing body of recent research using different GNNs, e.g., graph convolutional and graph attention networks, in various traffic forecasting problems, e.g., road traffic flow and speed forecasting, passenger flow forecasting in urban rail transit systems, demand forecasting in ride-hailing platforms, etc. 本稿では,道路交通流と速度予測,都市鉄道交通システムにおける乗客フロー予測,配車プラットフォームにおける需要予測など,様々な交通予測問題において,グラフ畳み込みやグラフ注意ネットワークなどのgnnを用いた最近の研究が急速に進展していることについて概説する。 0.83
We also present a collection of open data and source resources for each problem, as well as future research directions. また、各問題のためのオープンデータとソースリソースのコレクション、および今後の研究の方向性も提示します。 0.78
To the best of our knowledge, this paper is the first comprehensive survey that explores the application of graph neural networks for traffic forecasting problems. 我々の知る限り、この論文は交通予測問題に対するグラフニューラルネットワークの適用を探求する最初の総合的な調査である。 0.67
We have also created a public Github repository to update the latest papers, open data and source resources. また、最新の論文、オープンデータ、ソースリソースを更新するための公開Githubリポジトリも作成しました。 0.77
Index Terms—Traffic Forecasting, Graph Neural Networks, Graph Convolution Network, Graph Attention Network, Deep Learning. 指標条件 —Traffic Forecasting、Graph Neural Networks、Graph Convolution Network、Graph Attention Network、Deep Learning。 0.83
I. INTRODUCTION T He transportation system is one of the most important 私。 導入 THe輸送システムは最も重要なものの1つです 0.67
infrastructures of modern cities, which supports the daily commuting and traveling of millions of people. 何百万人もの人々の毎日の通勤と旅行をサポートする現代の都市のインフラ。 0.67
With the rapid urbanization and population growth, the transportation system becomes more complex, consisting of road vehicles, rail transport and various shared travel mode that emerged in recent years, e.g., online ride-hailing, bike-sharing, and even e-scooter sharing. 急速な都市化と人口増加に伴い、交通システムはより複雑になり、道路車両、鉄道輸送、オンライン配車、自転車シェアリング、さらには電動スクーターシェアリングなど、近年出現した様々な共有旅行モードで構成されている。 0.70
However, the expansion of cities also faces many corresponding problems, e.g., air pollution, traffic congestion, etc. しかし、都市の拡大は、大気汚染や交通渋滞など、対応する多くの問題にも直面している。 0.70
Early intervention based on traffic forecasting is seen as the key of improving the efficiency of the transportation system as well as alleviating the above problems. 交通予測に基づく早期介入は、上記の問題を緩和するとともに、交通システムの効率向上の鍵であると考えられる。 0.78
With the development of the smart city and intelligent transportation system, traffic states can be sensed by the sensors (e.g., loop detectors) installed on the road, recorded within the transactions in the subway and bus systems, derived from the traffic surveillance videos, and even be collected by smartphones equipped with GPS receivers in a crowd-sourced fashion. スマートシティとインテリジェント交通システムの開発により、交通状況は道路に設置されたセンサー(例えばループ検出器)によって感知され、地下鉄やバスシステム内の取引に記録され、交通監視ビデオから抽出され、またクラウドソース方式でGPS受信機を備えたスマートフォンによって収集される。 0.84
Traffic forecasting is mainly based on these historical traffic 交通予測は主にこれらの歴史的交通に基づいて 0.72
Manuscript received ; revised . 原本は、改訂された。 0.40
W. Jiang is with Department of Electronic Engineering, Tsinghua Univer- W.Jiangは電子工学部、清華大学とあります。 0.56
sity, Beijing, 100084, China. sity、北京、100084、中国。 0.69
(e-mail: jwwthu@gmail.com). (メール:jwwthu@gmail.com)。 0.86
J. Luo is with Department of Statistics, University of California-Los J. Luo、カリフォルニア大学ロス校統計学部と提携 0.74
Angeles, Los Angeles, 90024, USA. ロサンゼルス、ロサンゼルス、90024、アメリカ。 0.63
(e-mail: spaceletitialuo@gmai l.com). (eメール: spaceletitialuo@gmai l.com) 0.90
state data, as well as the external factors which would also affect the traffic status, e.g., weather and holidays. 状態データに加えて、天気や休日といった交通状況にも影響を及ぼす外部要因も備えている。 0.76
Both short-term and long-term traffic forecasting problems for various transport modes are considered in the literature. 各種輸送モードの短期的・長期的交通予測問題については文献的に考察する。 0.73
This survey focuses on the data-driven approach, which is based on the historical data to forecast. この調査は、予測する履歴データに基づくデータ駆動アプローチに焦点を当てています。 0.81
While it belongs to the time series forecasting category, the traffic forecasting problem is more challenging than other time series because the big data volume, high dimensionality, dynamics and various emergency situations, e.g., traffic accidents. それは時系列予測カテゴリに属するが、ビッグデータの量、高次元、ダイナミクス、そして交通事故のような様々な緊急状況のため、トラフィック予測問題は他の時系列よりも困難である。 0.71
For the traffic state in a specific spot there exists both the spatial dependency, which may not be affected only by nearby areas, and the temporal dependency, which may be seasonal. 特定の場所における交通状態は、周辺地域だけに影響されない空間的依存性と、季節的な時間的依存性の両方が存在する。 0.71
Traditional linear time series models, e.g., Auto-Regressive Integrated Moving Average (ARIMA) cannot handle such a spatio-temporal forecasting problem. 従来の線形時系列モデル、例えば、自動回帰統合移動平均(ARIMA)はそのような時空間予測問題を扱うことができない。 0.72
Machine learning and deep learning techniques are introduced in this area with the aim of improving the forecasting accuracy, e.g., by modeling the whole city as girds and applying the convolutional neural networks, which has been proven effective [1]. この領域では、都市全体をギルドとしてモデル化し、効果的に証明された畳み込みニューラルネットワークを適用するなど、予測精度の向上を目的として機械学習とディープラーニング技術が導入されている。 0.70
However, the CNN-based approach is not optimal for traffic foresting problems with the graph-based representation, e.g., the road network. しかし、CNNベースのアプローチは、例えば道路ネットワークのようなグラフベースの表現におけるトラフィックフォレスト問題には最適ではない。 0.66
to forecast, In recent years, graph neural networks (GNNs) are proposed as the new frontier of deep learning and have been applied in various applications with the state-of-the-art performance [2]. 予測するために 近年、深層学習の新しいフロンティアとしてグラフニューラルネットワーク(GNNs)が提案され、最先端の性能を持つ様々なアプリケーションに適用されています[2]。 0.74
GNNs become a new opportunity for traffic forecasting problems because of its ability of capturing the spatial dependency, which is represented as non-Euclidean graph structures. GNNは、非ユークリッドグラフ構造として表される空間依存を捕捉する能力のため、交通予測問題の新たな機会となる。 0.68
For example, the road network is naturally a graph, with the road intersection or segment as the node and the road connection as the edge, and with the graph as the input, several GNN-based models have achieved the outstanding performance than previous approaches in tasks including road traffic flow and speed forecasting problems, e.g., Diffusion Convolutional Recurrent Neural Network (DCRNN) [3] and Graph WaveNet [4]. 例えば、道路ネットワークは自然にグラフであり、道路交差またはセグメントをノードとして、道路接続をエッジとして、グラフを入力として、いくつかのGNNベースのモデルは、道路交通の流れや速度予測の問題、例えば拡散畳み込み繰り返しニューラルネットワーク(DCRNN)[3]およびグラフ波ネットワーク[4]などのタスクにおける以前のアプローチよりも優れたパフォーマンスを達成しています。 0.84
Afterwards, the GNN-based approach has been extended to other transportation modes, with various graph formulations and models. その後、GNNベースのアプローチは、さまざまなグラフの定式化とモデルで、他の輸送モードに拡張されました。
訳抜け防止モード: その後、GNNベースのアプローチが他の輸送モードにも拡張された。 様々なグラフの定式化とモデルで
0.66
To the authors’ best knowledge, we are the first to provide a comprehensive survey focusing on GNN-related approaches for traffic forecasting problems. 筆者らの知る限り、交通予測問題に対するGNN関連のアプローチに焦点を当てた総合的な調査を初めて実施する。 0.64
While there are some relevant existing surveys for traffic forecasting [5], [6], [7], [8], [9], [10], [11], [12], [13], [14], [15], [16], [17], [18], [19], none of them is GNN-focused. トラフィック予測 [5], [6], [7], [8], [9], [10], [11], [12], [13], [14], [15], [16], [17], [18], [19] に関する既存の調査は存在するが、いずれもGNNに焦点を当てていない。 0.71
In this survey, we have selected 212 papers that are published in between years 2018 to 2020. 本調査では、2018年から2020年までの212件の論文を選定しました。 0.74
Since this is a very rapid developing research field, we also cover the preprints which have not gone through a traditional これは非常に急激な研究分野であるため、従来から受け継がれていないプレプリントについても取り上げる。 0.63
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
2 peer review process, e.g., arXiv papers, to present the latest progresses. 2 ピアレビュープロセス(例えばarxiv論文)は、最新の進歩を示す。 0.68
Based on these studies, we identify the most frequently used problems, graph formulations and models. これらの研究に基づいて、最も頻繁に使用される問題、グラフ定式化、モデルを特定する。 0.64
We also investigate and summarize the available resources, including datasets, software and open-sourced code. また、データセット、ソフトウェア、オープンソースコードを含む利用可能なリソースを調査および要約します。 0.66
Lastly, we point out the challenges and future directions of applying GNNs for traffic forecasting. 最後に,交通予測にGNNを適用する上での課題と今後の方向性を指摘する。 0.66
We hope this survey would be a comprehensive summary of related work and also be a mostread start point for new researchers who want to further dive into this topic. この調査は、関連する作業の包括的な要約であり、このトピックをさらに掘り下げたい新しい研究者にとって最も主要な出発点になることを願っています。 0.71
We also contribute an open Github repository 1, in which the relevant content would be updated continuously. また、関連するコンテンツを継続的に更新するオープンgithubリポジトリ1も提供しています。 0.75
Our contributions are summarized as follows: 1) Comprehensive Review: We give the most comprehensive review of the Graph-based solutions for traffic forecasting problems in the past three years (2018-2020). 1)包括的レビュー:過去3年間(2018-2020)における交通予測問題に対するグラフベースのソリューションの最も包括的なレビューを行う。 0.63
2) Resource Collection: We provide the latest collection of open dataset and code resource for both the replication and comparison in the future work. 2) リソースコレクション: 将来の作業におけるレプリケーションと比較の両方のために、オープンデータセットとコードリソースの最新のコレクションを提供します。 0.83
3) Future Directions: We discuss several challenges and future directions for those who want to dive further in this field. 3) 今後の方向性: この分野に潜りたい人のために, いくつかの課題と今後の方向性について論じる。 0.64
The rest of this paper was organized as follows. この論文の残りは以下のとおりにまとめられた。 0.65
In Section II, we compare our work with the relevant research surveys. セクションIIでは、関連する研究調査と作業を比較します。 0.73
In Section III, we categorize the traffic forecasting problems that are involved with GNN-based models. 第III節では,GNNモデルに関わる交通予測問題を分類する。 0.64
In Section IV, we summarize the graphs and graph neural networks used in the reviewed studies. セクションIVでは、レビュー研究で使用されるグラフとグラフニューラルネットワークを要約します。 0.75
In Section V, we outline the open resources. V節では、オープンリソースの概要を説明します。 0.58
In Section VI, we point out the challenges and future directions. 第6節では,課題と今後の方向性を指摘する。 0.52
The conclusion is drawn in Section VII. 結論は第VII節で示される。 0.63
II. RELATED RESEARCH SURVEYS There are already some relevant research surveys, e.g., the summary of deep learning models for traffic forecasting problems. II。 関連調査 交通予測問題に対するディープラーニングモデルの要約など、すでにいくつかの関連する調査がある。 0.58
In this section, we choose the most recent surveys published in recent years (most of which are published in 2020) and give a short introduction for each of them. 本稿では,近年発行されている最新の調査(ほとんどが2020年に発表されている)を選択し,それぞれについて簡単な紹介を行う。 0.87
The differences between our study with these existing surveys are also pointed out when appropriate. また,本研究と既存調査の相違点についても考察した。 0.71
We start with the existing surveys covering a wider topic for the intelligent transportation system, followed by those focusing on traffic prediction problems. まず、インテリジェントトランスポーテーションシステムの幅広いトピックをカバーする既存の調査から始め、続いて交通予測問題に注目する調査から始める。 0.65
A comprehensive review of deep learning models on intelligent transportation systems is given in [16], with a discussion for different applications including traffic characteristics prediction, traffic incident inference, vehicle incident inference, vehicle identification, traffic signal timing, ride sharing and public transportation, and visual recognition tasks. 16]では,交通特性予測,交通インシデント推論,車両インシデント推論,車両識別,交通信号タイミング,ライドシェアリングと公共交通,視覚認識タスクなど,さまざまな応用分野について考察した。
訳抜け防止モード: 知的輸送システムにおける深層学習モデルの包括的レビューを [16] で行った。 トラヒック特性予測,トラヒックインシデント推論など,さまざまなアプリケーションに関する議論 車両インシデント推定、車両識別、交通信号タイミング、ライドシェアリングおよび公共交通 視覚認識のタスクです
0.73
In these applications, various deep learning models as well as the hardware requirements are discussed. これらのアプリケーションでは、様々なディープラーニングモデルとハードウェア要件が議論されている。 0.70
GNN is only mentioned in the task of traffic characteristics prediction. GNNは、交通特性予測のタスクでのみ言及されます。 0.75
Both intelligent traffic sensing and prediction with deep learning are discussed in [9]. インテリジェントなトラフィックセンシングとディープラーニングによる予測の両方を[9]で論じます。 0.70
It gives a good introduction of the key components of the intelligent transportation systems with deep learning, which include sensor networks, transmission technologies, deep learning models and traffic management. これは、センサーネットワーク、伝送技術、ディープラーニングモデル、トラフィック管理を含むディープラーニングを備えたインテリジェントな輸送システムの重要なコンポーネントをうまく紹介します。 0.64
While less discussed in our study, the data quality from traffic 私たちの研究ではあまり議論されていないが、トラフィックのデータ品質 0.60
1https://github.com/ jwwthu/GNN4Traffic 1https://github.com/ jwwthu/GNN4Traffic 0.31
sensing would highly affect the performance of deep learning models, e.g., the missing data is a challenge that can be handled in the preprocessing data or considered in the design of error-tolerant deep learning models. センシングはディープラーニングモデルの性能に大きく影響し、例えば、欠落したデータは前処理データで処理したり、エラー耐性のディープラーニングモデルの設計で考慮されたりすることができる。 0.75
In the major milestones of deep-learning driven traffic prediction summarized in Figure 2 from [9], the state-of-the-art models after 2019 are basically those based on graph neural networks, which validates the right direction of reviewing the graph neural networks as the frontier research direction for traffic prediction problems in our study. 9]から図2に要約したディープラーニング駆動トラフィック予測の大きなマイルストーンでは、2019年以降の最新のモデルは、基本的にグラフニューラルネットワークに基づくものであり、グラフニューラルネットワークをトラフィック予測問題のフロンティア研究の方向としてレビューする正しい方向を検証します。 0.73
Three spatiotemporal sequence forecasting (STSF) categories are highlighted in [5], namely, trajectory forecasting of moving point cloud, STSF on regular grid and STSF on irregular grid. 3つの時空間シーケンス予測(STSF)カテゴリが[5]で強調され,移動点雲の軌跡予測,正規格子上のSTSF,不規則格子上のSTSFの3つが強調される。 0.70
Both classical and deep learning solutions for these problems are reviewed. これらの問題に対する古典的および深層学習のソリューションをレビューする。 0.65
The scope is beyond the traffic domain and the solution is not limited to graph neural networks, or deep neural networks. スコープはトラフィック領域を超えており、ソリューションはグラフニューラルネットワークやディープニューラルネットワークに限定されていない。 0.69
A taxonomy of the existing traffic prediction methods is given in [7] and both traditional and deep learning methods are covered. 既存の交通予測手法の分類を [7] に記載し, 従来の学習法と深層学習法の両方を網羅する。 0.81
The state-of-the-art results for prediction tasks including flow, speed, demand, occupancy and travel time are summarized and a series of experiments are further conducted on the available open datasets for model performance comparison. フロー, 速度, 需要, 占有時間, 走行時間などの予測タスクに関する最先端の成果を要約し, モデル性能比較のために利用可能なオープンデータセットについて, さらに一連の実験を行った。 0.75
However, for the GNN part, only GCN is discussed. しかし、GNNではGCNのみが議論されている。 0.78
A broader concept of human mobility is reviewed in [8], which consider more tasks, including next-location prediction, crowd flow prediction and trajectory generation. 人間の移動性に関するより広範な概念を[8]でレビューし,次の位置予測,群集フロー予測,軌道生成など,より多くのタスクについて考察する。 0.64
A detailed introduction is given for different model structures, e.g., RNN, CNN, GAN, and attention mechanism, which could be a good complement for our study. RNN、CNN、GAN、および注意メカニズムなど、さまざまなモデル構造について詳細な紹介が与えられており、これは私たちの研究にとって良い補完となる可能性があります。
訳抜け防止モード: 異なるモデル構造、例えば、詳細に紹介します。 RNN、CNN、GANおよび私達の研究のためのよい補足であるかもしれない注意のメカニズム。
0.73
Since our focus is the graph neural network, the introduction for these models is omitted due to space constraints. 我々の焦点はグラフニューラルネットワークであるため、これらのモデルの導入は空間制約のため省略される。 0.77
Richer mobility data are identified and discussed, including mobile phone data, GPS traces, social media data, and auxiliary data, which can be further considered for data fusion in traffic forecasting problems. 携帯電話データ、GPSトレース、ソーシャルメディアデータ、補助データなど、交通予報問題におけるデータ融合について、よりリッチなモビリティデータを特定し、議論する。
訳抜け防止モード: 携帯電話データを含む、よりリッチなモビリティデータを識別し、議論する。 GPSトレース、ソーシャルメディアデータ、補助データ 交通予測問題におけるデータ融合についても検討できる。
0.66
Machine learning models for traffic prediction are categorized in [10], and different ML models are discussed, including regression model, example-based model (e.g., KNN), kernelbased model (e.g., SVM and RBF), NN model and Hybrid model. トラフィック予測のための機械学習モデルは[10]に分類され、回帰モデル、例ベースモデル(KNNなど)、カーネルベースモデル(SVMやRBFなど)、NNモデル、ハイブリッドモデルなど、さまざまなMLモデルが議論されている。 0.82
However, GNN is not explicitly and separately listed yet. しかし、GNNはまだ明確には記載されていない。 0.67
Both relevant real-world datasets and microscopic traffic simulators are summarized, while the latter is less used in GNN-related studies. 関連する実世界のデータセットと微視的トラフィックシミュレータの両方を要約するが、後者はGNN関連の研究ではあまり使われていない。 0.55
Useful add-ons about data preprocessing and model design are given for inspiring future work, as well as the open challenges. データ前処理やモデル設計に関する有用なアドオンは、今後の作業やオープンな課題に役立ちます。 0.74
The benefits and downsides of deep learning models for short-term traffic forecasting are evaluated comprehensively in [11], comprising traffic data of different contexts. 短期トラヒック予測のためのディープラーニングモデルの利点と欠点は, [11] において包括的に評価され, 異なる状況のトラヒックデータを含んでいる。 0.67
After a rigorous experimentation, the results show that deep learning could not be the best modeling technique for every case, which casts new challenges and concerns for applying deep learning models (including graph neural networks) for practice, when compared with linear models and machine learning techniques with less computational complexity. 厳密な実験の後、結果はディープラーニングがすべてのケースにとって最良のモデリングテクニックではないことを示し、計算複雑性の少ない線形モデルや機械学習技術と比較して、ディープラーニングモデル(グラフニューラルネットワークを含む)を実践するために適用する上での新たな課題と懸念を提起した。 0.70
In a chronological order, 年代順に; 年代順に 0.53
the deep neural networks for short-term traffic prediction are roughly categorized into five different generations in [13]. 短期トラフィック予測のためのディープニューラルネットワークは、[13]の5つの世代に大まかに分類される。 0.69
The first generation is represented by Restricted Boltzmann Machines (RBM) and Deep Belief 第1世代は制限ボルツマン機械(rbm)と深い信念によって表される 0.84
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
3 Networks (DBN). 3 ネットワーク(DBN)。 0.80
The second generation includes Multi-Layer Perceptron, Convolutional Neural Networks, and Recurrent Neural Networks. 第2世代には、多層パーセプトロン、畳み込みニューラルネットワーク、リカレントニューラルネットワークが含まれる。 0.70
Hybrids of CNN and RNN are taken as the third generation. CNNとRNNのハイブリッドは第三世代として取られます。 0.77
Graph Convolutional Networks are classified as the fourth generation. グラフ畳み込みネットワークは第4世代に分類される。 0.83
And other advanced techniques that have been considered but not been widely applied yet are merged into the fifth generation, e.g., transfer learning, meta learning, reinforcement learning, and attention mechanism. また、まだ広く適用されていない他の高度なテクニックは、トランスファーラーニング、メタラーニング、強化学習、および注意メカニズムなど、第5世代に統合されています。 0.71
Before these advanced techniques become mature in the traffic prediction tasks, GNNs remain the state-of-the-art techniques. これらの高度な技術がトラフィック予測タスクで成熟する前に、GNNは最先端の技術のままです。 0.56
Focusing on the urban flow prediction problem, the data preparation process as well as five types of prediction methods are summarized in [14]. 都市流動予測問題に着目し, [14] ではデータ生成過程と5種類の予測手法を要約した。 0.74
Three groups of preparation process include collecting spatiotemporal datasets, decomposing the city map and dealing with various data problems, including data missing, data imbalance, and data uncertainty. 準備プロセスの3つのグループには、時空間データセットの収集、都市の地図の分解、データ不足、データ不均衡、データの不確実性など、さまざまなデータ問題への対処が含まれる。
訳抜け防止モード: 時空間データセットの収集と都市地図の分解の3つの準備プロセス データ不足、データ不均衡、データ不確実性など、さまざまなデータ問題に対処する。
0.74
Five types of prediction methods include statistics-based methods, traditional machine learning methods, deep learning-based methods, reinforcement learning-based methods, and transfer learning-based methods. 5種類の予測手法は,統計に基づく手法,従来の機械学習手法,深層学習法,強化学習法,伝達学習法である。 0.82
GNNs are included in the deep learning-based methods in the discussion. gnnは、議論の深層学習ベースの方法に含まれている。 0.60
Different traffic prediction techniques are categorized into four types in [15], namely, machine learning (ML), computational intelligence (CI), deep learning (DL), and hybrid algorithms. 異なるトラフィック予測手法は、[15]において、機械学習(ML)、計算知能(CI)、ディープラーニング(DL)、ハイブリッドアルゴリズムの4つのタイプに分類される。 0.79
Among these types, CI-MLs and DL hybrid techniques are believed to perform better than the rest. これらのタイプのうち、ci-mlsとdlハイブリッド技術は、他の技術よりも優れていると考えられている。 0.51
However, GNNbased models are not explicitly covered. しかし、GNNベースのモデルは明確にはカバーされていない。 0.50
Two specific traffic prediction problems are discussed in [17], namely, traffic volume prediction and speed prediction. 交通量予測と速度予測という2つの特定の交通予測問題を[17]で論じる。 0.73
The models are only categorized into two types, i.e., statistical models and machine learning-based methods, in which the latter contains the graph neural networks. モデルは、統計モデルと機械学習に基づく方法という2つのタイプにのみ分類され、後者はグラフニューラルネットワークを含んでいる。 0.86
However, there is no clear winner between these two types, as the statistics-based models have better model interpretability, and the ML-based models are claimed to be more flexible. しかし、統計ベースのモデルはより優れたモデル解釈可能性を持ち、MLベースのモデルはより柔軟であると主張するため、この2つのタイプの間に明確な勝者はない。 0.67
Open challenges are discussed separately for these two types of models. これらの2種類のモデルでは、オープンな課題が個別に議論される。 0.58
After categorizing and discussing 37 deep neural networks for traffic prediction, encoder-decoder LSTM combined with graph-based methods is claimed as the state-of-the-art model in [18]. トラフィック予測のための37のディープニューラルネットワークを分類し議論した後、エンコーダデコーダLSTMとグラフベースの方法を組み合わせて[18]の最先端のモデルとして主張されます。 0.64
A detailed explanation of different types of data and popular deep neural network architectures is also provided, with challenges and future directions for traffic prediction. さまざまな種類のデータと一般的なディープニューラルネットワークアーキテクチャの詳細な説明も提供され、トラフィック予測の課題と今後の方向性が提供されている。 0.68
There are also some surveys whose focus are not 焦点が合っていない調査もあります。 0.74
the prediction models. Spatiotemporal feature selection and extraction methods are reviewed in [6], which provides a unique view from other surveys that concentrate on applications and methods. 予測モデルです 時間的特徴の選択と抽出の方法を[6]でレビューし、アプリケーションと方法に集中する他の調査からユニークな見解を提供します。 0.66
While the introduction of deep learning lowers the process of manual feature selection in various problems, these pro-processing methods are still useful in many circumstances and may be embedded in the model as an internal process. 深層学習の導入は、様々な問題において手動の特徴選択のプロセスを低下させるが、これらのプロプロセス手法は依然として多くの状況で有用であり、内部プロセスとしてモデルに埋め込まれる可能性がある。 0.66
A meta-analysis on the prediction accuracy when applying deep learning methods to transport studies is given in [19]. 輸送研究に深層学習手法を適用する場合の予測精度に関するメタ分析を[19]に示します。 0.89
Other than the models themselves, additional factors including the sample size and time horizon of prediction variables are proven having an important influence on the prediction accuracy. モデル自体以外に、予測変数のサンプルサイズや時間軸を含む追加要素が予測精度に重要な影響を与えることが証明されている。 0.83
As far as the authors know, there are no existing surveys focusing on the application of graph neural networks for traffic forecasting. 著者らが知る限り、トラフィック予測にグラフニューラルネットワークを適用することに焦点を当てた既存の調査は存在しない。 0.70
Similar to this study, graph-based deep この研究と同様、グラフベースの深度 0.80
learning architectures are reviewed in [12], for a series of traffic applications, namely, traffic congestion, travel demand, transportation safety, traffic surveillance, and autonomous driving. 学習アーキテクチャは[12]でレビューされ、交通渋滞、旅行需要、交通安全、交通監視、自動運転など、一連の交通アプリケーションを対象としています。 0.66
A specific and practical guidance of constructing graphs in these applications is provided. これらのアプリケーションでグラフを構築するための具体的かつ実用的なガイダンスを提供する。 0.64
The advantages and defects of both GNNs and other deep learning models (e.g., RNN, TCN, Seq2Seq and GAN) are examined. GNNと他のディープラーニングモデル(RNN、TCN、Seq2Seq、GANなど)の両方の利点と欠陥を調べます。 0.69
While its focus is not on the traffic prediction problems only, the graph construction process is universal in the traffic domain when GNNs are involved. その焦点は交通予測の問題に限らず、グラフ構築プロセスはGNNが関与している場合、交通領域において普遍的である。 0.71
III. PROBLEMS III。 PROBLEMS 0.81
In this section, we would discuss different types of traffic forecasting problems, from different levels in various transportation systems. 本稿では,様々な交通システムにおいて,異なるレベルの交通予測問題について論じる。 0.75
The major criterion is the specific traffic state to predict, e.g., the flow, speed and demand. 主な基準は、例えば、フロー、速度、需要などを予測するための特定のトラフィック状態である。 0.70
The remaining ones are tagged as the other problems. 残る問題は他の問題としてタグ付けされる。 0.57
In correspond to previous surveys, road traffic flow and speed forecasting problems are two major problems and GNNs are also widely attempted on these two problems. 前回の調査では,道路交通流と速度予測の問題が2つの主要な問題であり,GNNもこの2つの問題について広く検討されている。 0.66
The full list of the traffic forecasting problems and the related studies is shown in Table I. トラフィック予測の問題と関連する研究の完全なリストは、表Iに示されています。 0.62
A. Traffic Flow Based on the different observation areas or spots, we consider three levels of traffic flow problems in this survey, namely, road-level flow, region-level flow, and station-level flow. A. 交通の流れ 異なる観測領域やスポットに基づいて,本調査における交通流問題の3つのレベル,すなわち道路レベルフロー,地域レベルフロー,駅レベルフローについて考察する。 0.76
In different problems, the traffic flow may be defined differently. 異なる問題では、トラフィックフローは異なる方法で定義される。 0.71
The road-level flow problems concern the traffic volume on the road and include Road Traffic Flow, Road OD Flow, Intersection Traffic Throughput. 道路レベルのフロー問題は道路の交通量や道路交通流、道路交通流、インターセクション交通流などの問題である。 0.75
In the road traffic flow problem, the target to predict is the traffic volume that pass through a road sensor or road segment in a certain time period, e.g., five minutes. 道路交通流問題において、予測対象は、例えば5分など、一定期間の道路センサまたは道路セグメントを通過する交通量である。 0.64
In the road OD flow problem, the target is the volume from a road segment (as the origin) to another road segment (as the destination), which is different from the regional-level OD flow problem below. 道路ODフロー問題において、対象は道路セグメント(原点として)から他の道路セグメント(目的地として)までの体積であり、これは以下の地域レベルのODフロー問題とは異なる。 0.77
The intersection traffic throughput problem is listed separately, which only concerns the throughput in a road intersection. 交差点交通スループット問題は、道路交差点のスループットのみを考慮し、別々にリストされる。 0.73
The region-level flow problems concern the traffic volume among regions. 地域レベルのフロー問題は、地域間の交通量に関する問題である。 0.54
The regions in a city may be regular regions, e.g., grid-based partition, or irregular regions, e.g., road-based partition. 都市内の地域は、例えば、グリッドベースのパーティション、または道路ベースのパーティションなどの不規則な地域である可能性があります。 0.60
Based on the volume measured by different transport modes, this type of problem is further divided into Regional Taxi Flow, Regional Bike Flow, Regional Ride-hailing Flow, Regional Dockless E-Scooter Flow, Regional OD Taxi Flow, Regional OD Bike Flow, Regional OD Ride-hailing Flow. 輸送モードによって測定された体積に基づいて, 地域タクシー流, 地域自転車流, 地域ライドハイリング流, 地域ドックレスE-スコッター流, 地域ODタクシー流, 地域OD自転車流, 地域ODライダー流に分けられる。 0.70
The station-level flow problems concern the traffic volume measured on a physical station, e.g., the subway or bus stations. 駅レベルのフロー問題は、地下鉄やバスの駅など、物理駅で測定される交通量に関する問題である。 0.59
With different kinds of stations, this type of problem is further divided into Station-level Subway Passenger Flow, Station-level Bus Passenger Flow, Station-level Shared Vehicle Flow, Station-level Bike Flow, Station-level Railway Passenger Flow. 異なる種類の駅では、駅レベルの地下鉄旅客フロー、駅レベルのバス旅客フロー、駅レベルの共用車フロー、駅レベルの自転車フロー、駅レベルの鉄道旅客フローに分けられる。 0.64
For the road-level traffic flow, it can be further divided into the cases of unidirectional and bidirectional traffic flow. 道路レベルの交通流については、さらに一方向と双方向の交通流の場合に分けられる。 0.76
For the region-level or station-level traffic flow, it can be further 地域レベルや駅レベルの交通の流れについては、さらに 0.71
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
4 TRAFFIC FORECASTING PROBLEMS IN THE SURVEYED STUDIES. 4 調査研究における交通予測の課題 0.69
TABLE I Problem Road Traffic Flow テーブルI 問題道路交通の流れ 0.67
Traffic Road OD Flow Intersection Throughput Regional Taxi Flow Regional Bike Flow Regional Ride-hailing Flow Regional Dockless EScooter Flow Regional OD Taxi Flow Regional OD Bike Flow Regional OD Ridehailing Flow Station-level Subway Passenger Flow Station-level Bus Passenger Flow Station-level Vehicle Flow Station-level Flow Station-level Railway Passenger Flow Road Traffic Speed 交通 道 OD フロー セクション スループット 地域 タクシー フロー 地域 ライドハイリング フロー 地域 ドックレス EScooter フロー 地域 OD タクシー フロー 地域 OD バイク フロー 地域 OD ライドハイリング フロー ステーション レベルの地下鉄 旅客 フロー ステーション レベル バス フロー ステーション レベルの車両 フロー ステーション レベル フロー ステーション レベルの鉄道 旅客 フロー トラフィック速度。 0.74
Shared Bike Road Travel Time Traffic Congestion Time of Arrival Regional OD Taxi Speed Ride-hailing Demand 共有 バイク 道路走行時交通渋滞時における地域ODタクシーの高速配車需要 0.69
Taxi Demand Shared Vehicle Demand Bike Demand タクシー需要 共有車両需要自転車需要 0.67
Traffic Accident Traffic Anomaly Parking Availability Transportation Resilience Urban Vehicle Emission Railway Delay Lane Occupancy 交通事故 交通異常 駐車可能 輸送 レジリエンス 都市車両排出 鉄道 遅延レーンの占有率 0.77
Relevant Studies [20], [21], [22], [23], [24], [25], [26], [27], [28], [29], [30], [31], [32], [33], [34], [35], [36], [37], [38], [39], [40], [41], [42], [43], [44], [45], [46], [47], [48], [49], [50], [51], [52], [53], [54], [55], [56], [57], [58], [59], [60], [61], [62], [63], [64], [65], [66], [67], [68], [69], [70], [71], [72], [73], [74] [75], [76] [77] Relevant Studies [20], [21], [22], [23], [24], [25], [26], [27], [28], [29], [30], [31], [32], [33], [34], [35], [36], [37], [38], [39], [40], [41], [42], [43], [44], [45], [46], [47], [48], [49], [50], [51], [52], [53], [54], [55], [56], [57], [58], [59], [60], [61], [62], [63], [64], [65], [66], [67], [68], [69], [70], [71], [72], [73], [74] [75], [76] [77] 0.65
[78], [79], [80], [81], [82], [83], [84], [85] [78], [79], [81], [84] [83] [78], [79], [80], [81], [82], [83], [84], [85] [78], [79], [81], [84] [83] 0.68
[86] [84], [87] [86] [84], [87] 0.80
[84] [88], [89], [90] [84] [88], [89], [90] 0.78
[32], [70], [82], [91], [92], [93], [94], [95], [96], [97], [98], [99], [100] [32], [70], [82] [32], [70], [82], [91], [92], [93], [94], [95], [96], [97], [98], [99], [100] [32], [70], [82] 0.66
[101] [102], [103] [101] [102], [103] 0.80
[104] [3], [4], [20], [21], [22], [23], [24], [25], [26], [27], [28], [29], [40], [54], [59], [68], [71], [80], [93], [105], [106], [107], [108], [109], [110], [111], [112], [113], [114], [115], [116], [117], [118], [119], [120], [121], [122], [123], [124], [125], [126], [127], [128], [129], [130], [131], [132], [133], [134], [135], [136], [137], [138], [139], [140], [141], [142], [143], [144], [145], [146], [147], [148], [149], [150], [151], [152], [153], [154], [155], [156], [157], [158], [159], [160], [161], [162], [163], [164], [165], [166], [167], [168], [169], [170], [171], [172], [173], [174], [175] [23], [176], [177], [178], [179] [180], [181], [182], [183], [184] [185] [186] [104] [3], [4], [20], [21], [22], [23], [24], [25], [26], [27], [28], [29], [40], [54], [59], [68], [71], [80], [93], [105], [106], [107], [108], [109], [110], [111], [112], [113], [114], [115], [116], [117], [118], [119], [120], [121], [122], [123], [124], [125], [126], [127], [128], [129], [130], [131], [132], [133], [134], [135], [136], [137], [138], [139], [140], [141], [142], [143], [144], [145], [146], [147], [148], [149], [150], [151], [152], [153], [154], [155], [156], [157], [158], [159], [160], [161], [162], [163], [164], [165], [166], [167], [168], [169], [170], [171], [172], [173], [174], [175] [23], [176], [177], [178], [179] [180], [181], [182], [183], [184] [185] [186] 0.75
[187], [188], [189], [190], [191], [192], [193], [194], [195], [196], [197] [192], [193], [195], [198], [199], [200], [201], [202], [203], [204], [205], [206], [207] [208] [187], [188], [189], [190], [191], [192], [193], [194], [195], [196], [197] [192], [193], [195], [198], [199], [200], [201], [202], [203], [204], [205], [206], [207] [208] 0.66
[192], [193], [195], [204], [207], [209], [210], [211], [212], [213], [214], [215], [216] [217], [218], [219], [220] [221] [222], [223], [224] [225] [192], [193], [195], [204], [207], [209], [210], [211], [212], [213], [214], [215], [216] [217], [218], [219], [220] [221] [222], [223], [224] [225] 0.68
[226] [227] [228] [226] [227] [228] 0.85
divided into the cases of inflow and outflow, based on different 異なるものに基づいて、流入と流出のケースに分けられる 0.80
problem formulations. B. Traffic Speed 問題定式化。 B.交通速度 0.75
Similar to the traffic flow problems, we also consider two different levels of traffic speed problems in this survey, namely, road-level and region-level problems. 交通フロー問題と同様に、この調査では2つの異なるレベルの交通速度問題、すなわち道路レベルと地域レベルの問題も検討します。 0.75
We also include the travel time and congestion predictions in this category because they are highly correlated to the traffic speed. また,交通速度と高い相関関係にあるため,このカテゴリーの走行時間や混雑予測も含んでいる。 0.79
For example, in some studies, the traffic congestion is judged by a threshold-based speed inference. 例えば、一部の研究では、交通渋滞はしきい値に基づく速度推定によって判断される。 0.70
Specifically, the road-level speed problems include Road Traffic Speed, Road Travel Time, Traffic Congestion, Time of Arrival, and the region-level speed problem refers to Regional OD Taxi Speed. 具体的には、道路レベルの速度問題は、道路交通速度、道路走行時間、交通渋滞、到着時間、および地域レベルの速度問題は、地域ODタクシー速度を指します。 0.70
C. Traffic Demand Different from the traffic flow, the traffic demand refers to the travel demand, which may or may not be fulfilled completely. C. 交通需要 交通の流れと異なり、交通需要は旅行需要を指しており、完全に満たすか、満たさないかのどちらかである。 0.70
For example, in an online ride-hailing platform, the ride requests sent by the passengers represent their demand, while only a subset of these requests can be served depending on the supply of drivers and vehicles, especially in rush hours. たとえば、オンライン配車プラットフォームでは、乗客が送信した乗車リクエストは彼らの需要を表しますが、これらのリクエストのサブセットのみが、特にラッシュアワーで、ドライバーや車両の供給に応じて提供することができます。 0.65
An accurate prediction of the travel demand is the key part of the vehicle scheduling systems, e.g., the online ride-hailing or taxi dispatch platforms. 旅行需要の正確な予測は、例えばオンライン配車サービスやタクシー配車プラットフォームといった、車両スケジューリングシステムの鍵となる部分である。 0.77
However, sometimes it is hard to collect the potential travel demand from passengers in some cases. しかし、場合によっては乗客の旅行需要を回収するのは難しい場合もある。 0.74
A compromise method is to use the transaction records as the traffic demand, which may underestimate the real demand. 妥協方法は、実際の需要を過小評価するトラフィック要求としてトランザクションレコードを使用することである。 0.73
Based on the different transport modes, the traffic demand problems include Ride-hailing Demand, Taxi Demand, Shared Vehicle Demand, and Bike Demand. 異なる輸送モードに基づいて、交通需要の問題には、配車需要、タクシー需要、共有車両需要、およびバイク需要が含まれます。 0.60
D. Other Problems Besides the above three categories of traffic forecasting problems, we find that GNNs are also being applied to the following problems. D. その他問題 上記3つのカテゴリーの交通予測問題に加えて、GNNも以下の問題に適用されている。 0.68
Traffic Accident and Traffic Anomaly: The target is to predict 交通事故と交通異常:ターゲットは予測することです。 0.77
the traffic accident number reported in the police system. 警察システムに報告された交通事故の番号。 0.83
Parking Availability: The target is to predict the availability パーキング・アベイラビリティ: ターゲットはアベイラビリティを予測することです 0.70
of the parking space in the streets or in a car parking lot. 路上または駐車場の駐車場の。 0.47
Transportation Resilience: The transportation resilience is 輸送のレジリエンス: 輸送のレジリエンスは 0.72
defined and predicted in [225]. 225]で定義され予測されます 0.78
Urban Vehicle Emission: While it is not directly related to the traffic states, the prediction for the urban vehicle emission is considered in [226]. 都市車の排出:それは交通状態と直接関係していませんが、都市車の排出の予測は[226]で考慮されます。 0.75
Railway Delay: The delay time of the specific routes in the 鉄道の遅延: 列車の特定のルートの遅延時間。 0.74
railway system is considered in [227]. 鉄道システムは[227]で考慮されます。 0.75
Lane Occupancy: With simulated traffic data, Lane Occupancy: シミュレートされたトラフィックデータ。 0.80
the lane the lane―the lane 0.53
occupancy can be measured and further predicted [228]. 占有率を測定し、さらに[228]を予測できる。 0.73
IV. GRAPHS AND GRAPH NEURAL NETWORKS IV。 グラフとグラフニューラルネットワーク 0.64
In this section, we summarize the graphs and GNNs used in the surveyed studies. このセクションでは、調査研究で使用されるグラフとGNNを要約します。 0.75
We only focus on the application of GNNs which have been frequently used for traffic forecasting problems in this section. 本項では,交通予測問題によく用いられているGNNの応用にのみ焦点をあてる。 0.66
For a wider and deeper discussion of graph neural networks, the readers may refer to recent surveys [2], [229], [230]. グラフニューラルネットワークに関するより広範な議論では、読者は最近の調査 [2], [229], [230] を参照することができる。 0.80
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
5 A. Traffic Graphs 5 A. 交通グラフ 0.85
1) Graph Construction: A graph is the basic structure used in GNNs. 1)グラフ構築:グラフはGNNで使用される基本構造である。 0.85
It is defined as G = (V, E, A), where V represents the set of vertices or nodes, E represents the set of edges between the nodes, and the adjacency matrix A represents the edge weights. これは G = (V, E, A) として定義され、V は頂点またはノードの集合を表し、E はノード間のエッジの集合を表し、隣接行列 A はエッジの重みを表す。 0.84
The element aij of A represents the edge weight between node i and node j. a の要素 aij は、ノード i とノード j の間のエッジウェイトを表す。 0.88
Both the nodes and the edges may have different attributes. ノードとエッジの両方が異なる属性を持つ場合がある。 0.76
For traffic forecasting, the specific traffic state to predict is usually one of the node features. トラフィック予測の場合、予測する特定のトラフィック状態は通常、ノード機能の1つです。 0.73
We divide the time axis as discrete time slots, e.g., in five minutes or one hour, depending on the specific scenario. 時間軸は、特定のシナリオに応じて、5分または1時間の離散時間スロットとして分割します。 0.75
In the single step forecasting case, the target is to predict the traffic state in the next time step, while in the multiple step forecasting case, the traffic state to be predicted is several time slots later. 単一のステップ予測ケースでは、ターゲットは次のステップでトラフィック状態を予測し、複数のステップ予測ケースでは、予測されるトラフィック状態は後でいくつかのタイムスロットである。 0.73
Denote the traffic state at time slot i as χi, then the forecasting problem based on the historical data is formulated as finding the function f which generates y = f (χ; G), where y is the traffic state to be predicted, χ = {χ1, χ2, ..., χN} is the historical traffic state defined on the graph G, and N is the historical window size as the number of time slots. タイムスロット i のトラフィック状態を「i」として表すと、履歴データに基づく予測問題は、y が予測対象のトラフィック状態である y = f を生成する関数 f を見つけることとして定式化され、y はグラフ G 上で定義される歴史的なトラフィック状態であり、N はタイムスロットの数として歴史的なウィンドウサイズである。
訳抜け防止モード: タイムスロット i のトラフィック状態を「i」で表します。 すると、歴史的データに基づく予測問題は、y = f(y ; G )を生成する関数 f を見つけることとして定式化される。 ここで y は予測されるトラフィック状態である。 N } は、グラフ G で定義される歴史的な交通状態です。 そしてNは時間スロットの数として歴史的な窓のサイズです。
0.71
As we mentioned in Section I, the traffic state are highly affected by external factors, e.g., weather and holidays. セクションIで述べたように、交通状態は、天候や休日などの外部要因によって非常に影響を受けます。 0.68
We may extend the forecasting problem formulation by incorporating these external factors, i.e., y = f (χ, ε; G), where ε represents the external factors. 予測問題の定式化は、これらの外部因子、すなわち、ε が外部因子を表す y = f ( ε; g) を組み込むことによって拡張することができる。 0.80
To model the traffic forecasting problems, various graph structures have been used, which depend both on the traffic forecasting problems and the traffic datasets available. 交通予測問題をモデル化するために、交通予測問題と利用可能な交通データセットの両方に依存する様々なグラフ構造が使用されている。 0.72
The graphs can be pre-defined as static graphs, or learned from the data as dynamic graphs, which are both covered in this survey. グラフは静的グラフとして事前に定義することもできるし、データから動的グラフとして学習することもできる。 0.76
The static graphs can be further divided into two types, namely, the natural graph and the similarity graph. 静的グラフは、さらに2つのタイプ、すなわち自然グラフと類似度グラフに分けることができます。 0.82
The natural graph is based on a real-world transportation system, e.g., the road network or subway system. 自然グラフは現実世界の交通システム(例えば道路網や地下鉄システム)に基づいている。 0.76
The similarity graph is based solely on the similarity between different node attributes, and the nodes may be virtual stations or regions. 類似性グラフは、異なるノード属性間の類似性のみに基づいており、ノードは仮想ステーションまたはリージョンである。 0.81
Similar to the three levels used in Section III, we organize the existing traffic graphs into three types, road-level, regionlevel and station-level, as shown in Figure 1(a), Figure 1(b), and Figure 1(c), respectively. セクションIIIで使用されている3つのレベルと同様に、既存のトラフィックグラフをそれぞれ図1(a)、図1(b)、図1(c)に示すように、道路レベル、地域レベル、駅レベルの3つのタイプに整理します。 0.65
Road-level graphs. 道路レベルのグラフ。 0.68
This type of graphs include Sensor Graph, Road Segment Graph, Road Intersection Graph, and Road Lane Graph. この種のグラフには、Sensor Graph、Road Segment Graph、Road Intersection Graph、Road Lane Graphがある。 0.85
The sensor graph is built with the traffic sensor data that are widely used in previous studies, e.g., the PeMS dataset. センサグラフは、以前の研究、例えばpemsデータセットで広く使われているトラフィックセンサデータで構築されている。 0.81
In the sensor graph, each sensor is seen as a node, and the edges are built with the road connection. センサグラフでは、各センサはノードとして見られ、エッジは道路接続で構築されます。 0.71
The other three graphs are all built with the road network, in which the node is a road segment, a road intersection, and a road lane, respectively. 他の3つのグラフはすべて、ノードがそれぞれ道路セグメント、道路交差点、道路レーンである道路ネットワークで構築されています。 0.73
Region-level graphs. 地域レベルのグラフ。 0.67
This type of graphs include Irregular Region Graph, Regular Region Graph, and OD Graph. この種のグラフには、不規則領域グラフ、正規領域グラフ、ODグラフがある。 0.73
In both the irregular and regular region graphs, the node is a city region. 不規則な地域と規則的な地域の両方のグラフでは、ノードは都市地域です。 0.69
The difference is the partition approach. 違いはパーティションアプローチです。 0.62
We refer the grid-based partition as the regular way and the other approaches, e.g., road-based, zip zone [198], as the irregular ways. 私たちは、グリッドベースのパーティションを通常の方法と、道路ベースのジップゾーン[198]などの他のアプローチを不規則な方法と呼びます。 0.71
The grid-based approach is listed separately because of its natural connection with the previous widely used grid-based グリッドベースのアプローチは、以前の広く使用されているグリッドベースの自然な接続のために別々にリストされます。 0.52
forecasting approach based on convolutional neural networks, in which the grids may be seen as image pixels. 畳み込みニューラルネットワークに基づく予測手法では、グリッドを画像ピクセルと見なすことができる。 0.67
In the OD graph, the node is a OD pair between an origin region and a destination region. ODグラフでは、ノードはオリジン領域と宛先領域の間のODペアである。 0.61
In these graphs, the edges are usually defined with spatial neighborhood or various similarities. これらのグラフでは、エッジは通常、空間近傍または様々な類似性で定義される。 0.68
Station-level graphs. ステーションレベルのグラフ。 0.69
This type of graphs include Subway Station Graph, Bus Station Graph, Bike Station Graph, Railway Station Graph, Car-sharing Station Graph, Parking Lot Graph, and Parking Block Graph, based on the different transport modes. このタイプのグラフには、地下鉄駅グラフ、バス駅グラフ、バイク駅グラフ、鉄道駅グラフ、カーシェアリング駅グラフ、駐車場グラフ、駐車場ブロックグラフが含まれます。
訳抜け防止モード: この種のグラフには地下鉄駅グラフ、バス駅グラフ、バス駅グラフなどがある。 自転車駅グラフ、鉄道駅グラフ、車- 共有ステーショングラフ、パーキングロットグラフ及びパーキングブロックグラフ 異なるトランスポートモードに基づいている。
0.81
Usually there are natural links between stations that can be used to define the edges, e.g., for the cases of the subway or railway lines. 通常、駅間の自然なリンクは、例えば、地下鉄や鉄道の場合には、エッジを定義するために使用することができます。 0.63
Or the road network can be used, e.g., for the case of the shared bike system. または、道路ネットワークは、例えば、共有自転車システムの場合に使用することができます。 0.85
The full list of the traffic graphs and the related studies is shown in Table II. トラフィックグラフと関連する研究の完全なリストは、表IIに示されています。 0.73
We find that the sensor graph and the road segment graph are most frequently used because of the relevant public datasets as we would discuss in Section V. We also find that multiple graphs can be used as inputs simultaneously and further fused to improve the forecasting performance. センサグラフと道路セグメントグラフは,第5節で論じるような,関連する公開データセットのため,最も頻繁に使用される。また,複数のグラフを同時に入力として使用することで,予測性能の向上を図ることができる。 0.83
TRAFFIC GRAPHS IN THE SURVEYED STUDIES. 調査研究におけるトラヒックグラフ。 0.54
TABLE II Graph Sensor Graph テーブルII グラフセンサーグラフ 0.67
Road Segment Graph 道路セグメントグラフ 0.78
Intersection Road Graph Road Lane Graph Irregular Graph 交差点 道路グラフ道路レーングラフ不規則グラフ 0.66
Region Regular Region Graph 地域 正規領域グラフ 0.71
OD Graph Subway Station Graph ODグラフ 地下鉄駅図 0.73
Bus Station Graph Bike Station Graph バス駅グラフ自転車駅グラフ 0.84
Railway Station Graph Car-sharing Station Graph Parking Lot Graph Parking Block Graph 駅 グラフ カーシェアリング ステーション グラフ 駐車場 グラフ グラフ ブロック グラフ。 0.76
Relevant Studies [3], [4], [22], [24], [25], [26], [27], [28], [29], [31], [33], [35], [36], [37], [38], [39], [40], [41], [42], [43], [44], [45], [46], [47], [48], [52], [53], [54], [55], [56], [57], [58], [59], [60], [61], [62], [63], [66], [67], [71], [72], [73], [74], [75], [80], [106], [110], [114], [117], [121], [122], [125], [127], [129], [130], [131], [132], [134], [137], [138], [139], [141], [142], [143], [144], [145], [146], [147], [148], [149], [150], [151], [153], [155], [159], [160], [162], [167], [170], [171], [172], [173], [225] [20], [23], [26], [29], [30], [34], [35], [40], [50], [61], [64], [68], [76], [93], [105], [108], [109], [112], [113], [115], [116], [118], [119], [120], [123], [124], [126], [128], [130], [131], [133], [135], [138], [139], [140], [152], [154], [156], [157], [158], [161], [163], [164], [165], [168], [169], [174], [175], [176], [177], [180], [184], [185], [203], [218] [20], [21], [32], [35], [49], [51], [77], [107], [111], [118], [119], [136], [178], [183] [228] [78], [79], [80], [166], [181], [182], [186], [189], [193], [195], [196], [199], [200], [202], [204], [205], [207], [219], [221] [25], [65], [69], [81], [83], [84], [85], [86], [87], [88], [90], [179], [187], [188], [190], [191], [192], [194], [197], [201], [202], [206], [217], [220], [226] [89], [198] [32], [70], [91], [92], [93], [94], [95], [96], [97], [98], [99], [100] [32], [70] [102], [103], [204], [209], [210], [211], [212], [213], [214], [215], [216] [104], [227] [101], [208] Relevant Studies [3], [4], [22], [24], [25], [26], [27], [28], [29], [31], [33], [35], [36], [37], [38], [39], [40], [41], [42], [43], [44], [45], [46], [47], [48], [52], [53], [54], [55], [56], [57], [58], [59], [60], [61], [62], [63], [66], [67], [71], [72], [73], [74], [75], [80], [106], [110], [114], [117], [121], [122], [125], [127], [129], [130], [131], [132], [134], [137], [138], [139], [141], [142], [143], [144], [145], [146], [147], [148], [149], [150], [151], [153], [155], [159], [160], [162], [167], [170], [171], [172], [173], [225] [20], [23], [26], [29], [30], [34], [35], [40], [50], [61], [64], [68], [76], [93], [105], [108], [109], [112], [113], [115], [116], [118], [119], [120], [123], [124], [126], [128], [130], [131], [133], [135], [138], [139], [140], [152], [154], [156], [157], [158], [161], [163], [164], [165], [168], [169], [174], [175], [176], [177], [180], [184], [185], [203], [218] [20], [21], [32], [35], [49], [51], [77], [107], [111], [118], [119], [136], [178], [183] [228] [78], [79], [80], [166], [181], [182], [186], [189], [193], [195], [196], [199], [200], [202], [204], [205], [207], [219], [221] [25], [65], [69], [81], [83], [84], [85], [86], [87], [88], [90], [179], [187], [188], [190], [191], [192], [194], [197], [201], [202], [206], [217], [220], [226] [89], [198] [32], [70], [91], [92], [93], [94], [95], [96], [97], [98], [99], [100] [32], [70] [102], [103], [204], [209], [210], [211], [212], [213], [214], [215], [216] [104], [227] [101], [208] 0.65
[222], [224] [223] [222], [224] [223] 0.77
2) Adjacency Matrix Construction: The adjacency matrix is seen as the key to capture spatial dependency for traffic forecasting [12]. 2) 隣接行列の構成: 隣接行列は,トラヒック予測のための空間依存性を捉える鍵として捉えられる [12]。 0.69
While the nodes may be fixed with their ノードはそれらで固定されるかもしれない 0.62
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
6 Fig. 1. 6 フィギュア。 1. 0.71
Demo for different levels of graphs. さまざまなレベルのグラフのデモ。 0.80
(a) The road network in the Performance Measurement System (PeMS). (a) 性能測定システム(PeMS)における道路網 0.74
Source: http://pems.dot.ca.g ov/. 出典: http://pems.dot.ca.g ov/ 0.47
Each sensor is a node; (b) The zip code used in Manhattan. 各センサーはノードである; (b) マンハッタンで使用されるzipコード。 0.83
Source: https://maps-manhatt an.com/manhattan-zip -code-map. 出典: https://maps-manhatt an.com/manhattan-zip -code-map。 0.38
Each zone with the same zip code is a node; (c) The Beijing subway system. 同じzipコードを持つ各ゾーンはノードであり、(c)北京地下鉄システムである。 0.81
Source: https://www.travelch inaguide.com/citygui des/beijing/transpor tation/subway.htm. 出典: https://www.travelch inaguide.com/citygui des/beijing/transpor tation/subway.htm。 0.34
Each subway station is a node. 地下鉄の各駅はノードである。 0.75
(a) (b) (c) (a) (b) (c) 0.85
physical constraints, the adjacency matrix can be well designed or even dynamic, e.g., learned from the data. 物理的制約では、隣接行列は、よく設計したり、動的に、例えばデータから学習したりできる。 0.61
We extend the categories of different adjacency matrices in previous studies [12] and divide them into four types. 先行研究では, 異なる隣接行列の分類を [12] に拡張し, それらを4つのタイプに分類する。 0.69
Road-based Matrix. ロードベースマトリックス。 0.63
This type of adjacency matrix is usually related to the road network, including the connection matrix, the transportation connectivity matrix, direction matrix. このタイプの隣接行列は通常、接続行列、輸送接続行列、方向行列を含む道路ネットワークに関連しています。 0.64
The connection matrix is a common way of measuring the connectivity between nodes. 接続行列はノード間の接続を測定する一般的な方法である。 0.82
It is represented as a binary format, with the entry value as 1 when connected and 0 otherwise. これはバイナリ形式として表現され、接続された場合のエントリ値は 1 で、それ以外の場合は 0 である。
訳抜け防止モード: それはバイナリ形式として表現され、接続されるとエントリ値が 1 になる。 そして0。
0.68
The transportation connectivity matrix represents the situation when two regions are geographically distant but conveniently reachable by motorway, highway or subway [12]. 交通接続マトリクスは、2つの地域が地理的に遠いが、高速道路や地下鉄で便利に到達できる状況を表す。 0.67
It also contains the case that the connection is measured by the travel time between different nodes, e.g., if the vehicle can go from the intersection to another intersection in 5 minutes, there is an edge between these two intersections [51]. また、例えば、車両が交差点から別の交差点へ5分で行ける場合、これらの2つの交差点 [51] の間に縁がある場合など、異なるノード間の移動時間によって接続が測定される場合も含まれる。 0.81
While less seen in the literature, the direction matrix would take the angle between road links into consideration. 文献にはほとんど見られないが、方向行列は道路リンク間の角度を考慮に入れている。 0.73
Distance-based Matrix. 距離ベースマトリクス。 0.68
This type of matrix is also widely used, which measures the spatial closeness between different nodes. このタイプのマトリックスも広く使用され、異なるノード間の空間的近さを測定します。 0.71
It contains two sub-types, namely, the neighbor matrix and the distance matrix. これには2つのサブタイプ、すなわち隣接行列と距離行列が含まれる。 0.72
In the neighbor matrix, the entry value is decided by the neighborhood relationship between two regions. 隣接行列では、エントリ値は2つの領域間の近傍関係によって決定される。 0.67
If connected, the value can be set to 1 generally or 1/4 for grids. 接続された場合、一般に 1 または 1/4 に値を設定することができる。 0.70
In the distance matrix, the entry value is decided as a function of geometrical distance between nodes. 距離行列では、入力値はノード間の幾何学的距離の関数として決定される。 0.75
The distance may be calculated in various ways, e.g., the road driving distance between two sensor, the shortest path length on the road [46], [124], or the proximity among road segments calculated by the random walk with restart (RWR) algorithm [133]. 距離は、例えば、2つのセンサー間の道路走行距離、道路上の最短経路長[46]、[124]、または再起動(RWR)アルゴリズムによるランダムウォークによって計算された道路セグメント間の近接性など、さまざまな方法で計算することができる[133]。 0.86
Similarity-based Matrix. 類似性に基づくマトリックス。 0.57
This type of matrix is further divided into two sub-types, namely, the traffic pattern similarity matrix and the functional similarity matrix. このタイプの行列はさらに、トラフィックパターン類似性行列と機能類似性行列という2つのサブタイプに分けられる。 0.80
The traffic pattern similarity matrix measures the correlations between the traffic states, e.g., the similarities of flow patterns, the mutual dependencies between different locations, and the traffic demand correlation in different regions. トラフィックパターン類似度行列は、例えば、フローパターンの類似性、異なる場所間の相互依存性、および異なる地域におけるトラフィック要求相関など、トラフィック状態間の相関を測定します。 0.82
The functional similarity matrix usually measures the correlations between the functionalities, e.g., the distribution of different types of 機能的類似度行列は、通常、機能間の相関、例えば、異なるタイプの分布を測定する。 0.80
point-of-interests in different regions. 異なる地域の関心のポイント。 0.64
Dynamic Matrix. ダイナミックマトリックス。 0.71
This type of matrix is used when no predefined static matrices are used. このタイプの行列は、事前に定義された静的行列を使用しない場合に用いられる。 0.54
Many studies have demonstrated the advantages of using the dynamic matrix, instead of a pre-defined adjacency matrix, for various traffic forecasting problems. 多くの研究は、様々な交通予測問題に対して、事前定義された隣接行列の代わりに動的行列を用いることの利点を実証している。 0.52
The full list of the adjacency matrices and the related studies is shown in Table III. 全体 隣接行列と関連する研究のリストは、表IIIに示されています。 0.56
The dynamic matrix is listed in the bottom of Table III, with no further subdivisions. 動的行列はテーブルIIIの下部にリストされ、それ以上の細分化はない。 0.80
The connection matrix and the distance matrix are the most frequently used ones, because of their simple definition and the ability of modeling the spatial dependency. 接続行列と距離行列は、その単純な定義と空間依存性をモデル化する能力のために、最も頻繁に使用されるものである。 0.72
B. Graph Neural Networks B. グラフニューラルネットワーク 0.89
Previously, the neural networks, e.g., fully-connected neural networks (FNNs), convolutional neural networks (CNNs) and recurrent neural networks(RNNs), can only be applied to the Euclidean data (images, text, videos). これまでは、完全連結ニューラルネットワーク(fnns)、畳み込みニューラルネットワーク(cnns)、リカレントニューラルネットワーク(rnns)といったニューラルネットワークは、ユークリッドデータ(画像、テキスト、ビデオ)にのみ適用可能であった。 0.63
As a type of neural network which directly operates on the graph structure, graph neural networks have the ability of capturing complex relationships between objects and performing inference on data described by graphs. グラフ構造を直接操作するニューラルネットワークの一種として、グラフニューラルネットワークは、オブジェクト間の複雑な関係をキャプチャし、グラフによって記述されたデータで推論を行うことができる。 0.75
GNNs have been proven effective in different node-level, edge-level, and graph-level prediction tasks. GNNは、異なるノードレベル、エッジレベル、グラフレベルの予測タスクで有効であることが証明されている。 0.49
As we mentioned in Section II, GNNs are the state-ofthe-art techniques for traffic forecasting problems for now. 第2節で述べたように、現在、GNNは交通予測問題の最先端技術である。 0.62
GNNs can be further divided into four types, namely, recurrent GNNs, convolutional GNNs, graph autoencoders, and spatial-temporal GNNs [2]. GNNは、4つのタイプ、すなわち、反復GNNs、畳み込みGNNs、グラフオートエンコーダ、および空間時空間GNNs[2]にさらに分割することができる。 0.73
Traffic forecasting is one of the representative task of spatial-temporal problems, thus we can categorize the GNNs used in this field as the spatialtemporal GNNs. 交通予測は空間時空間問題の代表的課題の1つであり、この分野で用いられるGNNを空間時空間GNNとして分類することができる。 0.67
However, we can also extract graph neural network components used in surveyed studies, which belong to the previous types of GNNs. しかし、従来のタイプのGNNに属する調査研究で使用されるグラフニューラルネットワークコンポーネントを抽出することもできます。 0.78
We first categorize the different sub-types of the spatialtemporal GNNs. まず空間時空間GNNの異なるサブタイプを分類する。 0.75
Based on the approach of capturing the spatial–temporal dependencies (especially the temporal dependency as the GNNs are mainly used to capture the spatial dependency), two types of spatial-temporal GNNs are identified previously, namely, RNN-based and CNN-based [2]. 空間的・時間的依存(特にGNNが主に空間的依存を捉えるために使用される時間的依存)を捉えるアプローチに基づいて、空間的時間的GNNは以前 RNN ベースと CNN ベースの[2] として同定された。 0.76
The RNN-based approach is used in [3], [23], [25], [26], [27], [28], [29], [30], [31], [33], [34], [38], [40], [42], [43], [44], RNNベースのアプローチは、[3], [23], [25], [26], [27], [28], [29], [30], [31], [33], [34], [38], [40], [42], [43], [44] において用いられる。 0.71
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
7 ADJACENCY MATRICES IN THE SURVEYED STUDIES. 7 ADJACENCY MATRICES in the SURVEYED STUDIES。 0.80
TABLE III Adjacency Matrix Connection Matrix テーブルIII 隣接マトリックス接続マトリックス 0.65
Transportation Connectivity Matrix Direction Matrix Neighbor Matrix 搬送接続性マトリックス方向行列近傍行列 0.75
Distance Matrix Traffic Pattern Similarity Matrix 距離行列 交通パターン類似性マトリックス 0.73
Functional Similarity Matrix Dynamic Matrix 機能的類似マトリックス動的マトリックス 0.80
Relevant Studies [20], [21], [22], [23], [30], [34], [36], [43], [49], [55], [57], [60], [61], [64], [65], [67], [75], [77], [89], [96], [97], [98], [100], [104], [105], [109], [111], [112], [113], [115], [118], [119], [120], [123], [130], [131], [138], [139], [144], [146], [150], [151], [152], [154], [156], [158], [161], [162], [163], [166], [168], [177], [178], [179], [183], [185], [201], [202], [203], [210], [217], [218], [221], [222], [224], [227] [25], [26], [40], [51], [99], [191], [194], [208], [228] [108], [124], [135] [81], [87], [88], [90], [186], [191], [192], [196], [198], [199], [200], [213] [3], [24], [25], [26], [27], [28], [33], [37], [38], [44], [46], [52], [53], [56], [58], [60], [62], [63], [66], [71], [72], [73], [74], [78], [80], [86], [91], [101], [102], [103], [108], [110], [121], [122], [124], [125], [127], [129], [132], [133], [135], [136], [137], [140], [141], [142], [143], [145], [147], [149], [153], [155], [159], [171], [172], [173], [175], [181], [182], [188], [189], [190], [194], [196], [197], [198], [208], [209], [212], [214], [215], [216], [223], [225], [226] [40], [71], [73], [78], [79], [84], [86], [91], [94], [98], [102], [103], [163], [167], [180], [184], [188], [189], [190], [193], [195], [197], [198], [209], [210], [213], [215], [216], [220] [40], [86], [88], [101], [121], [122], [127], [188], [191], [194], [198], [208], [219] [4], [31], [32], [35], [39], [41], [45], [47], [48], [50], [54], [59], [68], [69], [82], [83], [88], [92], [95], [106], [114], [116], [117], [126], [137], [157], [160], [170], [174], [187], [189], [204], [205], [206], [207] Relevant Studies [20], [21], [22], [23], [30], [34], [36], [43], [49], [55], [57], [60], [61], [64], [65], [67], [75], [77], [89], [96], [97], [98], [100], [104], [105], [109], [111], [112], [113], [115], [118], [119], [120], [123], [130], [131], [138], [139], [144], [146], [150], [151], [152], [154], [156], [158], [161], [162], [163], [166], [168], [177], [178], [179], [183], [185], [201], [202], [203], [210], [217], [218], [221], [222], [224], [227] [25], [26], [40], [51], [99], [191], [194], [208], [228] [108], [124], [135] [81], [87], [88], [90], [186], [191], [192], [196], [198], [199], [200], [213] [3], [24], [25], [26], [27], [28], [33], [37], [38], [44], [46], [52], [53], [56], [58], [60], [62], [63], [66], [71], [72], [73], [74], [78], [80], [86], [91], [101], [102], [103], [108], [110], [121], [122], [124], [125], [127], [129], [132], [133], [135], [136], [137], [140], [141], [142], [143], [145], [147], [149], [153], [155], [159], [171], [172], [173], [175], [181], [182], [188], [189], [190], [194], [196], [197], [198], [208], [209], [212], [214], [215], [216], [223], [225], [226] [40], [71], [73], [78], [79], [84], [86], [91], [94], [98], [102], [103], [163], [167], [180], [184], [188], [189], [190], [193], [195], [197], [198], [209], [210], [213], [215], [216], [220] [40], [86], [88], [101], [121], [122], [127], [188], [191], [194], [198], [208], [219] [4], [31], [32], [35], [39], [41], [45], [47], [48], [50], [54], [59], [68], [69], [82], [83], [88], [92], [95], [106], [114], [116], [117], [126], [137], [157], [160], [170], [174], [187], [189], [204], [205], [206], [207] 0.64
[46], [48], [49], [51], [53], [54], [57], [59], [63], [64], [67], [68], [70], [71], [74], [76], [78], [81], [82], [83], [84], [85], [88], [89], [90], [95], [98], [99], [101], [103], [104], [105], [110], [111], [113], [114], [115], [117], [118], [123], [128], [130], [131], [132], [133], [136], [139], [141], [147], [150], [152], [154], [156], [157], [162], [167], [168], [169], [173], [174], [178], [179], [181], [182], [186], [187], [190], [194], [195], [197], [198], [199], [201], [202], [203], [204], [206], [207], [208], [209], [210], [212], [214], [216], [220], [221], [222], [223], [224], [225], [228]. [46], [48], [49], [51], [53], [54], [57], [59], [63], [64], [67], [68], [70], [71], [74], [76], [78], [81], [82], [83], [84], [85], [88], [89], [90], [95], [98], [99], [101], [103], [104], [105], [110], [111], [113], [114], [115], [117], [118], [123], [128], [130], [131], [132], [133], [136], [139], [141], [147], [150], [152], [154], [156], [157], [162], [167], [168], [169], [173], [174], [178], [179], [181], [182], [186], [187], [190], [194], [195], [197], [198], [199], [201], [202], [203], [204], [206], [207], [208], [209], [210], [212], [214], [216], [220], [221], [222], [223], [224], [225], [228]. 0.64
The CNN-based approach is used in [4], [32], [35], [37], [39], [41], [45], [47], [52], [56], [58], [62], [72], [80], [93], [96], [100], [106], [116], [124], [135], [137], [144], [151], [153], [155], [158], [159], [163], [170], [171], [172], [180], [185], [200], [217], [218], [226], [227]. The CNN-based approach is used in [4], [32], [35], [37], [39], [41], [45], [47], [52], [56], [58], [62], [72], [80], [93], [96], [100], [106], [116], [124], [135], [137], [144], [151], [153], [155], [158], [159], [163], [170], [171], [172], [180], [185], [200], [217], [218], [226], [227]. 0.66
These two approaches contribute the major part of the relevant literature. これら2つのアプローチは、関連する文献の主要な部分に貢献している。 0.54
With the expansion of relevant studies, we add two subtypes in this survey, namely, Attention-based and FNN-based. 関連研究の拡大に伴い,本調査に注意ベースとfnnベースの2つのサブタイプを追加した。 0.71
Attention mechanism is firstly proposed to memorize long source sentences in neural machine translation [231]. 神経機械翻訳における長文の記憶には,まず注意機構が提案されている [231]。 0.73
Then it is used for temporal forecasting problems. その後、時間的予測問題に使用される。 0.74
As a special case, Transformer is built entirely upon attention mechanisms, which makes it possible to access any part of a sequence regardless of its distance to the target [66], [142], [188], [205]. 特殊な場合として、トランスフォーマーは完全に注意機構に基づいて構築されており、ターゲット [66], [142], [188], [205] との距離に関係なく、シーケンスの任意の部分にアクセスできる。 0.75
The attention-based approach is used in [24], [61], [65], [66], [142], [143], [145], [160], [177], [188], [193], [205], 注意に基づくアプローチは、[24], [61], [65], [66], [142], [143], [145], [160], [177], [188], [193], [205]において用いられる。 0.73
[219]. A simpler approach based on the fully-connected neural networks is also used widely [20], [21], [36], [55], [60], [69], [79], [86], [87], [91], [92], [94], [102], [119], [121], [122], [126], [127], [134], [140], [161], [191], [211], [215]. [219]. 完全に接続されたニューラルネットワークに基づく単純なアプローチも広く使用されています [20], [21], [36], [55], [60], [69], [79], [86], [87], [91], [92], [94], [102], [119], [121], [122], [126], [127], [134], [140], [161], [191], [211], [215]。 0.69
Besides using the neural networks to capture the temporal dependency, other approaches are also proposed to combine with GNNs, e.g., Autoregressive [192], Markov Process [138], and Kalman Filter [75]. 時間的依存性を捉えるためにニューラルネットワークを使用するのに加えて、gnn(autoregressive [192]、markov process [138]、kalman filter [75])と組み合わせたアプローチも提案されている。 0.69
For the graph neural network components used in the surveyed papers, convolutional GNNs are the most often used one, while the recurrent GNNs [232] and graph autoencoders [233] are less mentioned. 調査された論文で使用されるグラフニューラルネットワークコンポーネントでは、畳み込みGNNが最も頻繁に使用されるが、繰り返しGNN[232]およびグラフオートエンコーダ[233]はあまり言及されていない。 0.77
We further categorize the previously used convolutional GNNs into Graph Convolutional Network (GCN) [234], Diffusion Graph Convolution (DGC) [235], Message Passing [236], GraphSAGE [237], and Graph Attention Network (GAT) [238]. さらに、これまで使用されていた畳み込みGNNを、Graph Convolutional Network (GCN) [234]、DGC (Diffusion Graph Convolution) [235]、Message Passing [236]、GraphSAGE [237]、Graph Attention Network (GAT) [238]に分類する。
訳抜け防止モード: さらに、これまで使用されていた畳み込みGNNを、グラフ畳み込みネットワーク(GCN) [234 ]に分類する。 Diffusion Graph Convolution (DGC ) [ 235 ], Message Passing [ 236 ] GraphSAGE [ 237 ] と Graph Attention Network ( GAT ) [ 238 ]
0.85
GCN belongs to the spectral-based convolutional GNNs, in which the graph convolutions is defined by introducing filters from graph signal processing. GCNはスペクトルベースの畳み込みGNNに属し、グラフ畳み込みはグラフ信号処理からフィルタを導入して定義される。 0.74
Spectral CNN [239] assumes that the filter is a set of learnable parameters and considers graph signals with multiple channels. スペクトルCNN[239]は、フィルタが学習可能なパラメータの集合であると仮定し、複数のチャネルを持つグラフ信号を考える。
訳抜け防止モード: スペクトルcnn[239 ]は フィルタは学習可能なパラメータの集合であり、複数のチャネルを持つグラフ信号を考える。
0.84
GCN is a first-order approximation of Chebyshev spectral CNN (ChebNet) [240], which approximates the filter by the Chebyshev polynomials of the diagonal matrix of eigenvalues. GCNはチェビシェフスペクトルCNN(ChebNet)[240]の第一次近似であり、固有値の対角行列のチェビシェフ多項式によってフィルタを近似する。 0.73
The other approach is the spatial-based convolutional GNNs, in which the graph convolutions is defined by information propagation. もう1つのアプローチは空間ベースの畳み込みGNNであり、グラフ畳み込みは情報伝播によって定義される。 0.66
DGC, message passing, GraphSAGE, and GAT belong to this approach. DGC、メッセージパッシング、GraphSAGE、およびGATはこのアプローチに属します。 0.77
The graph convolution is modeled as a diffusion process with the transition probability from one node to one of its neighboring nodes in DGC. グラフ畳み込みは、dgc内の一つのノードから隣接ノードへの遷移確率を伴う拡散過程としてモデル化される。 0.86
An queilibrium is expected to reach after several rounds of information transition. キー平衡は、数ラウンドの情報移行後に到達することが予想される。 0.43
A general framework is given as the message passing network, which models the graph convolution as a message-passing process with the pass of information from one node to another connected node directly. 一般的なフレームワークはメッセージパッシングネットワークとして与えられ、グラフの畳み込みをメッセージパッシングプロセスとしてモデル化し、あるノードから別のノードに直接情報を渡します。 0.84
To alleviate of computation problem caused by the large number of neighbors, sampling is used for obtaining a fix number of neighbors in GraphSAGE. 多数の隣人による計算問題を緩和するため,GraphSAGEでは,多数の隣人の固定数を取得するためにサンプリングが使用される。 0.73
Lastly, without using the predetermined adjacency matrix, attention mechanism is used to learn the relative weights between two connected nodes in GAT. 最後に、所定の隣接行列を使わずに、注意機構を用いてGAT内の2つの連結ノード間の相対重みを学習する。 0.61
The full list of the graph neural network components and the related studies is shown in Table IV. グラフニューラルネットワークコンポーネントと関連する研究の完全なリストは、テーブルIVに示されている。 0.75
For now, the most widely used GNN is still the GCN. 今のところ、最も広く使われているGNNはGCNである。 0.82
However, we also notice a growing trending of using GAT in traffic forecasting. しかし,交通予測におけるGATの利用傾向も注目されている。 0.77
V. OPEN DATA AND SOURCE RESOURCE V.オープンデータ及びソース資源 0.56
In this section, we summarize the open data and code source このセクションでは、オープンデータとコードソースをまとめます。 0.80
used in the surveyed papers. 調査論文に使われました 0.72
A. Open Data A。 オープンデータ 0.76
Various data are used in previous studies, which can be 様々なデータが過去の研究で使われています 0.83
roughly categorized into the following types. 概ね以下の種類に分類される。 0.78
Transportation Network Data. 交通ネットワークのデータ。 0.84
This type of data represents the underlying transportation infrastructures, e.g., road, subway and bus network. このタイプのデータは、道路、地下鉄、バスネットワークなど、基礎となる交通インフラを表します。 0.70
It can be obtained from the transportation departments of the government or extracted from the online map services, e.g., OpenStreetMap. それは政府の交通機関部門から得るか、またはオンライン地図サービス、例えば、OpenStreetMapから抽出することができます。 0.76
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
8 GNN Recurrent GNNs Graph Autoencoders GCN 8 GNNリカレントGNNsグラフオートエンコーダGCN 0.85
DGC Message Passing GraphSAGE GAT DGC Message Passing GraphSAGE GAT 0.85
GNNS IN THE SURVEYED STUDIES. SURVEYED STUDIESのGNNS。 0.62
TABLE IV Relevant Studies [34], [81], [118], [128] [22], [49], [146], [179] テーブルIV 関連研究 [34], [81], [118], [128] [22], [49], [146], [179] 0.66
[4], [20], [23], [27], [29], [30], [31], [32], [35], [36], [37], [38], [40], [44], [45], [47], [48], [50], [52], [54], [55], [56], [57], [58], [60], [61], [62], [63], [64], [65], [67], [68], [70], [71], [73], [74], [75], [76], [78], [79], [82], [83], [84], [85], [86], [87], [88], [89], [91], [92], [93], [94], [95], [96], [98], [99], [101], [103], [104], [105], [106], [107], [110], [111], [112], [115], [116], [119], [120], [121], [122], [123], [124], [126], [127], [130], [131], [133], [134], [135], [136], [138], [139], [140], [142], [144], [145], [149], [150], [152], [154], [155], [156], [157], [161], [162], [163], [164], [165], [166], [167], [168], [169], [170], [171], [172], [173], [174], [178], [180], [181], [182], [183], [184], [185], [186], [189], [190], [191], [193], [194], [195], [196], [197], [198], [199], [200], [202], [203], [204], [205], [207], [208], [209], [210], [211], [212], [213], [214], [215], [216], [217], [218], [219], [220], [221], [222], [223], [224], [226], [227] [3], [28], [39], [42], [100], [132], [137], [141], [143], [147], [159], [175], [225] [21], [37], [90] [109] [24], [25], [26], [33], [41], [43], [45], [46], [51], [53], [59], [66], [69], [72], [102], [106], [114], [117], [129], [151], [153], [158], [160], [172], [177], [187], [188], [201], [206], [228] [4], [20], [23], [27], [29], [30], [31], [32], [35], [36], [37], [38], [40], [44], [45], [47], [48], [50], [52], [54], [55], [56], [57], [58], [60], [61], [62], [63], [64], [65], [67], [68], [70], [71], [73], [74], [75], [76], [78], [79], [82], [83], [84], [85], [86], [87], [88], [89], [91], [92], [93], [94], [95], [96], [98], [99], [101], [103], [104], [105], [106], [107], [110], [111], [112], [115], [116], [119], [120], [121], [122], [123], [124], [126], [127], [130], [131], [133], [134], [135], [136], [138], [139], [140], [142], [144], [145], [149], [150], [152], [154], [155], [156], [157], [161], [162], [163], [164], [165], [166], [167], [168], [169], [170], [171], [172], [173], [174], [178], [180], [181], [182], [183], [184], [185], [186], [189], [190], [191], [193], [194], [195], [196], [197], [198], [199], [200], [202], [203], [204], [205], [207], [208], [209], [210], [211], [212], [213], [214], [215], [216], [217], [218], [219], [220], [221], [222], [223], [224], [226], [227] [3], [28], [39], [42], [100], [132], [137], [141], [143], [147], [159], [175], [225] [21], [37], [90] [109] [24], [25], [26], [33], [41], [43], [45], [46], [51], [53], [59], [66], [69], [72], [102], [106], [114], [117], [129], [151], [153], [158], [160], [172], [177], [187], [188], [201], [206], [228] 0.64
Traffic Sensor Data. 交通センサーのデータ。 0.83
Traffic sensors, e.g., loop detectors, can be installed on the road to collect traffic information, e.g., traffic volume or speed. トラフィックセンサー(例えばループ検出器)を道路に設置して、交通量や速度などの交通情報を収集することができます。 0.77
This is the widely used type of data for traffic prediction, especially the road traffic flow and speed prediction problems. これは交通予測、特に道路交通の流れや速度予測問題で広く使われているデータである。 0.74
GPS Trajectory Data. GPSの軌道データ。 0.85
Different types of vehicles (e.g., taxis, buses, online ride-hailing vehicles, shared bikes) can be equipped with GPS receivers, which collects the GPS coordinates in 2-60 seconds, based on the devices. 異なる 車両の種類(例えば、タクシー、バス、オンライン配車車、共有自転車)は、デバイスに基づいて2〜60秒でGPS座標を収集するGPS受信機を装備することができます。 0.77
These trajectory data samples can be matched to the road network and further used to derive the traffic flow or speed. これらの軌跡データサンプルは道路網と一致し、さらに交通の流れや速度を導出するために用いられる。 0.79
Location-based Service Data. 位置情報ベースのサービスデータ。 0.62
GPS function is also embedded in the smartphones, which can be used to collect different types of location-related data, e.g., check-in data, POI (Point of Interest) data and route navigation application Data. GPS機能はスマートフォンにも組み込まれており、チェックインデータ、POI(Point of Interest)データ、ルートナビゲーションアプリケーションデータなど、さまざまな種類の位置情報データを収集することができます。 0.76
Trip Record Data. These data usually contain the departure and arrival dates/times, departure and arrive locations and other trip information. 旅行記録データ。 これらのデータは、通常、出発日時、出発日時、到着日時、その他の旅行情報を含む。 0.67
Traffic speed and demand can be further derived from various trip record data, e.g., taxis, ridehailing services, buses, bikes, or even dock-less e-scooters used in [86]. 交通速度と需要は、タクシー、配車サービス、バス、自転車、さらには[86]で使用されるドックレス電子スクーターなど、さまざまな旅行記録データからさらに得られます。 0.74
These data can be easily collected, for example, by AFC (Automatic Fare Collection) in the subway and bus systems. これらのデータは、地下鉄やバスシステム内のAFC(Automatic Fare Collection)によって簡単に収集できます。 0.73
Traffic Report Data. This type of data are often used for the abnormal cases, e.g., the anomaly report data used in [221] and the traffic accident report data [217], [219], [220]. 交通データ。 この種のデータは,[221]で使用される異常報告データや,[217],[219],[220]で使用される交通事故報告データなど,異常症例によく使用される。 0.66
Multimedia Data. マルチメディアデータ。 0.73
This type of data can be used as another input of deep learning models or for confirming the traffic status from another point of view. このタイプのデータは、ディープラーニングモデルの別の入力として、あるいは別の視点からトラフィックステータスを確認するために使用することができる。 0.72
Previously used multimedia data include the Baidu street-view images used in [183] for traffic congestion, the satellite imagery data used in [219], and 以前使用されていたマルチメディアデータには,[183]で使用されるbaidu street-viewイメージや[219]で使用される衛星画像データなどがある。 0.76
the surveillance video data used in [178]. 178]で使われた監視ビデオデータ。 0.69
Meteorological Data or Weather Data. 気象データまたは気象データ。 0.73
Traffic states are highly affected by the meteorological situation, consisting of weather, temperature, humidity, barometer pressure, and wind strength. 交通状態は気象状況の影響を強く受けており、気象、気温、湿度、気圧、風力がある。
訳抜け防止モード: 交通状況は気象状況に大きく左右されます。 天候、温度、湿度、気圧、風力で構成されています。
0.68
Calendar Data. This type of data contains the information of weekends and holidays. カレンダーデータ。 この種のデータには週末と休日の情報が含まれている。 0.73
Because the traffic patterns vary a lot between weekdays and weekends/holidays, some studies would consider these two cases separately. 交通パターンは平日と週末/ホリデーで大きく異なるため、これらの2つのケースを別々に考える研究もある。 0.72
Simulated Traffic Data. 交通データのシミュレーション。 0.78
Other than the real-world datasets, some microscopic traffic simulators are also used to build the training and testing data for the deep learning models, e.g., MATES Simulator used in [42] and INTEGRATION software used in [76]. 現実世界のデータセット以外にも、[42]で使用されるmatesシミュレータや[76]で使用される統合ソフトウェアなど、ディープラーニングモデルのトレーニングとテストデータを構築するために、微視的なトラフィックシミュレータも使用されている。 0.77
While it is easier to get the road network data or weather data from the Internet, it is much more difficult to get historical traffic data, both due to the data privacy concern and the transmission and storage requirements of the large data amount. インターネットから道路網のデータや気象データを得ることは容易であるが、データのプライバシーの懸念と大量のデータ量の送信とストレージ要件の両方から、過去のトラフィックデータを取得することははるかに困難である。 0.81
In this part, we present a collection of the often used open data resource in the surveyed papers, as shown in Table V. Most of these open data are cleaned or preprocessed and can be used for benchmarking and comparing the performance of different models in the future work. この部分では、調査対象の論文でよく使用されるオープンデータリソースのコレクションを表 v に示す。これらのオープンデータのほとんどはクリーン化または事前処理されており、将来の作業における様々なモデルのベンチマークと比較に使用することができる。 0.79
OPEN DATA FOR TRAFFIC PREDICTION PROBLEMS. 交通予測問題のためのオープンデータ。 0.51
TABLE V Dataset Name METR-LA テーブルV データセット名 METR-LA 0.60
PeMS all PeMS-BAY PeMS All PeMS-BAY 0.78
PeMSD3 PeMSD4 PeMSD3 PeMSD4 0.71
PeMSD7 PeMSD8 PeMSD7 PeMSD8 0.78
Seattle Loop T-Drive SHSpeed TaxiBJ TaxiSZ TaxiCD TaxiNYC シアトル ループ T ドライブ SHSpeed TaxiBJ TaxiSZ TaxiCD TaxiNYC 0.89
UberNYC DiDiChengdu DiDiTTIChengdu DiDiXi’an DiDiHaikou BikeDC BikeNYC UberNYC DiDiChengdu DiDiTTIChengdu DiDiXi’an DiDiHaikou BikeDC BikeNYC 0.85
BikeChicago SHMetro HZMetro BikeChicago SHMetro HZMetro 0.85
Relevant Studies [3], [4], [22], [25], [26], [27], [35], [38], [43], [44], [55], [57], [71], [72], [80], [105], [110], [117], [125], [129], [132], [137], [138], [141], [142], [143], [144], [145], [146], [148], [149], [153], [155], [159], [160], [172] [28], [147] [3], [4], [24], [25], [25], [26], [37], [38], [43], [44], [54], [55], [66], [71], [72], [125], [132], [134], [137], [138], [141], [142], [143], [144], [145], [148], [151], [153], [155], [159], [160], [172] [36], [55], [60], [62], [71] [31], [33], [35], [36], [39], [45], [47], [48], [53], [55], [58], [59], [61], [62], [63], [67], [68], [71], [73], [74], [121], [122], [127], [173] [29], [33], [36], [37], [45], [52], [55], [56], [57], [60], [62], [63], [66], [71], [114], [121], [122], [127], [134], [173] [31], [33], [36], [39], [47], [53], [55], [58], [59], [61], [62], [68], [71] [131], [139], [150], [167] [25], [26] [29], [34], [115] [69], [81], [193] [105], [130] [186], [199] [69], [79], [83], [186], [188], [189], [200], [201], [202], [204], [205], [207], [220] [188], [196] [50], [64], [65], [83], [89], [136], [197] [163] [64], [136] [187], [190] [79], [210] [69], [79], [81], [102], [103], [192], [193], [204], [207], [210], [214], [216] [103] [98] [98] Relevant Studies [3], [4], [22], [25], [26], [27], [35], [38], [43], [44], [55], [57], [71], [72], [80], [105], [110], [117], [125], [129], [132], [137], [138], [141], [142], [143], [144], [145], [146], [148], [149], [153], [155], [159], [160], [172] [28], [147] [3], [4], [24], [25], [25], [26], [37], [38], [43], [44], [54], [55], [66], [71], [72], [125], [132], [134], [137], [138], [141], [142], [143], [144], [145], [148], [151], [153], [155], [159], [160], [172] [36], [55], [60], [62], [71] [31], [33], [35], [36], [39], [45], [47], [48], [53], [55], [58], [59], [61], [62], [63], [67], [68], [71], [73], [74], [121], [122], [127], [173] [29], [33], [36], [37], [45], [52], [55], [56], [57], [60], [62], [63], [66], [71], [114], [121], [122], [127], [134], [173] [31], [33], [36], [39], [47], [53], [55], [58], [59], [61], [62], [68], [71] [131], [139], [150], [167] [25], [26] [29], [34], [115] [69], [81], [193] [105], [130] [186], [199] [69], [79], [83], [186], [188], [189], [200], [201], [202], [204], [205], [207], [220] [188], [196] [50], [64], [65], [83], [89], [136], [197] [163] [64], [136] [187], [190] [79], [210] [69], [79], [81], [102], [103], [192], [193], [204], [207], [210], [214], [216] [103] [98] [98] 0.66
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
9 1) Traffic Sensor Data: The relevant open traffic sensor 9 1)交通センサデータ:関連する交通センサ 0.76
data are listed as follows. データは以下の通りです。 0.75
METR-LA 2: This dataset contains traffic speed or volume collected from the highway of the Los Angeles County road network, with 207 loop detectors. METR-LA 2: このデータセットは、ロサンゼルス郡道路ネットワークのハイウェイから収集された交通速度や体積を含み、207のループ検出器を備えている。 0.67
The samples are aggregated to 5 minutes. サンプルは5分に集約されます。 0.72
The often used time period for this dataset is from Mar 1st, 2012 to Jun 30th, 2012. このデータセットでよく使われる時間は、2012年12月1日から2012年7月30日までである。 0.64
Performance Measurement System (PeMS) Data 3: This dataset contains raw detector data for over 18,000 vehicle detector stations from the freeway system across all major metropolitan areas of California from 2001 to 2019, with different sensors such as inductive loops, side-fire radar, and magnetometers. パフォーマンス計測システム(PeMS) データ3: このデータセットは、2001年から2019年まで、カリフォルニア州の主要都市圏の高速道路システムから18,000以上の車両検知ステーションの生検データを含み、インダクティブループ、サイドファイアレーダ、磁力計など様々なセンサーを搭載している。 0.73
The samples are captured every 30 seconds and aggregated to 5 minutes. サンプルは30秒毎にキャプチャされ、5分に集約される。 0.70
Each data sample contains timestamp, station ID, district, freeway, direction of travel, total flow, and average speed. 各データサンプルにはタイムスタンプ、駅ID、地区、高速道路、走行方向、総流量、平均速度が含まれる。 0.76
Different subsets of PeMS data are used in previous studies. PeMSデータの異なるサブセットは、以前の研究で使用されている。 0.60
• PeMS-BAY 4: This subset uses 325 sensors from Jan 1st, •PeMS-BAY 4:このサブセットは1月1日から325個のセンサーを使用する。 0.59
2017 to Jun 30th, 2017 in the Bay Area. 2017年6月30日 - ベイエリアで開催。 0.58
• PeMSD3: This subset uses 358 sensors in the North Central Area. • PeMSD3:このサブセットは、北中部地域の358センサーを使用します。 0.77
The often used time period for this dataset is Sep 1st to Nov 30th in 2018. このデータセットの頻繁に使用される期間は、2018年の9月1日から11月30日です。 0.62
• PeMSD4: This subset uses 307 sensors in the San Francisco Bay Area. • PeMSD4: このサブセットはサンフランシスコベイエリアで307のセンサーを使用しています。 0.77
The often used time period for this dataset is from Jan 1st, 2018 to Feb 28th, 2018. このデータセットでよく使われる時間は、2018年1月1日から2018年2月28日までである。 0.64
• PeMSD7: This subset uses 883 sensors in the Los Angeles Area. PeMSD7: このサブセットはロサンゼルスエリアで883個のセンサーを使用します。 0.73
The often used time period for this dataset is from May to June in 2012. このデータセットでよく使われる時間は、2012年5月から6月までである。 0.64
• PeMSD8: This subset uses 170 sensors in the San Bernardino Area. • PeMSD8:このサブセットは、サンバーナーディーノ地域の170センサーを使用しています。 0.67
The often used time period for this dataset is from July to August in 2016. このデータセットでよく使われる期間は、2016年7月から8月である。 0.73
Seattle Loop 5: This dataset is collected by the inductive loop detectors deployed on four connected freeways (I-5, I405, I-90, and SR-520) in Seattle area, from Jan 1st, 2015 to 31st, 2015. seattle loop 5: このデータセットは、2015年1月1日から2015年31日まで、シアトルエリアの4つの接続された高速道路(i-5、i405、i-90、sr-520)にデプロイされたインダクティブループ検出器によって収集される。 0.62
It contains the traffic speed data of 323 detectors. 323の検出器の速度データを含んでいる。 0.80
The samples are aggregated to 5 minutes. サンプルは5分に集約されます。 0.72
2) Taxi Data: The relevant open taxi data are listed as 2 タクシーデータ:当該オープンタクシーデータは、次のとおりである。 0.74
follows. T-drive [241]: This dataset contains a large number of taxicab trajectories from Feb 1st, 2015 to Jun 2nd, 2015, collected by 30,000 taxis in Beijing. 次だ Tドライブ[241]このデータセットには、2015年2月1日から2015年7月2日まで、北京の3万台のタクシーが収集した大量のタキサブの軌跡が含まれている。 0.53
SHSpeed (Shanghai Traffic Speed) [34] 6: This dataset contains a 10-minute traffic speed data derived from the raw taxi trajectory data, collected from 1 April 2015 to 30 April 2015. SHSpeed (Shanghai Traffic Speed) [34] 6: このデータセットは、2015年4月1日から2015年4月30日までに収集された生タクシー軌道データから得られた10分間の交通速度データを含む。 0.75
It involves 156 urban road segments in the central area of Shanghai, China. 上海、中国の中央部に156の都市道路セグメントが含まれています。 0.75
TaxiBJ [242]: This dataset contains the inflow and outflow derived from more than 34,000 taxicab GPS data in Beijing from four time intervals: Jul 1st, 2013 to Oct 30th, Mar 1st, 2014 to Jun 30th, 2014, Mar 1st, 2015 to Jun 30th, 2015 and Nov 1st, 2015 to Apr 10th, 2016. TaxiBJ [242]: このデータセットには、2013年6月1日から2014年10月30日、2014年3月30日、2015年3月30日、2015年11月1日から2016年4月10日までの4つの時間間隔から、北京の34,000以上のタクシーGPSデータから派生した流入と流出が含まれています。 0.61
The Beijing city map is divided into 32 × 32 grids and the time interval of the flow data is 30 minutes. 北京市の地図は32×32の格子に分かれており、流れデータの時間間隔は30分である。
訳抜け防止モード: 北京市地図は 32 × 32 のグリッドに分かれています。 そして流れのデータの時間間隔は30分です。
0.81
2Download link: https://github.com/l iyaguang/DCRNN 3http://pems.dot.ca. gov/ 4Download link: https://github.com/l iyaguang/DCRNN 5Download link: https://github.com/z hiyongc/Seattle-Loop -Data 6Download link: https://github.com/x xArbiter/grnn 2Download link: https://github.com/l iyaguang/DCRNN 3http://pems.dot.ca. gov/ 4Download link: https://github.com/l iyaguang/DCRNN 5Download link: https://github.com/z hiyongc/Seattle-Loop -Data 6Download link: https://github.com/x xArbiter/grnn 0.42
TaxiSZ [130] 7: This dataset TaxiSZ [130] 7:このデータセット 0.90
is derived from the taxi trajectory of Shenzhen from Jan 1st to Jan 31st, 2015. 2015年1月1日から1月31日までの深センのタクシー軌道に由来する。 0.70
It contains the traffic speed on 156 major roads of Luohu District every 15 minutes. それは15分ごとにLuohu地区の主要道路156の交通速度が含まれています。 0.75
TaxiCD 8: This dataset contains 1.4 billion GPS records from 14,864 taxis collected from Aug 3rd, 2014 to Aug 30th, 2014 in Chengdu, China. TaxiCD 8: このデータセットは、2014年8月3日から2014年8月30日まで中国の成都で収集された14,864台のタクシーから14億件のGPS記録を含んでいる。 0.58
Each GPS record consists of a taxi ID, a latitude, a longitude, an indicator of whether the taxi is occupied, and a timestamp. それぞれのGPS記録は、タクシーID、緯度、経度、タクシーが占有されているかどうかの指標、タイムスタンプで構成されている。 0.71
TaxiNYC9: The taxi trip records in New York starting from 2009, from both the yellow and green taxis. TaxiNYC9:2009年からニューヨークで、黄色と緑のタクシーからタクシーの運行記録を樹立した。 0.82
Each trip record contains pick-up and drop-off dates/times, pick-up and dropoff locations, trip distances, itemized fares, rate types, payment types, and driver-reported passenger counts. 各旅行記録には、ピックアップとドロップオフの日付/時間、ピックアップとドロップオフの場所、旅行距離、アイテム化された運賃、料金タイプ、支払いタイプ、およびドライバーが報告した乗客数が含まれます。
訳抜け防止モード: 各旅行記録には、日付/時刻のピックアップ・アップ・アンド・ドロップが含まれている。 pick - up and dropoff location, trip distances, itemized faresなど。 レートタイプ、支払いタイプ、ドライバー - 乗客数を報告。
0.56
3) Ride-hailing Data: The relevant open ride-hailing data 3)ライドシェアリングデータ:関連するオープンライドシェアリングデータ。 0.65
are listed as follows. UberNYC 10: This dataset comes from Uber, which is one of the largest online ride-hailing companies in USA, and is provided by NYC Taxi & Limousine Commission (TLC). は以下の通りです。 UberNYC 10: このデータセットは、米国最大のオンライン配車サービス企業の1つであるUberが提供し、NYC Taxi & Limousine Commission(TLC)が提供している。 0.74
It contains over 4.5 million Uber pickups in New York City from April to September 2014, and 14.3 million more Uber pickups from January to June 2015. 2014年4月から9月までのニューヨークでのuberのピックアップ数は450万件を超え、2015年1月から6月までのuberのピックアップ数は1430万件増加した。 0.57
Didi GAIA Open Data 11: This open data plan is supported by Didi Chuxing, which is one of the largest online ride-hailing companies in China. Didi GAIA Open Data 11: このオープンデータプランは、中国最大のオンライン配車会社の1つであるDidi Chuxingによってサポートされています。 0.74
• DiDiTTIChengdu: This dataset •DiDiTTIChengdu:このデータセット 0.91
• DiDiChengdu: This dataset contains trajectories of DiDi Express and DiDi Premier drivers within Chengdu, China. •DiDiChengdu: このデータセットには、DiDi ExpressとDiDi Premierドライバの軌跡が含まれている。 0.72
The data contains trips from October to November 2016. the DiDi Travel Time Index Data in Chengdu, China in the year of 2018, which contains the average speed of major roads every 10 minutes. このデータには2016年10月から11月にかけて中国・成都のDiDi旅行時間指数データが含まれており、10分ごとに主要道路の平均速度が記録されている。 0.78
represents • DiDiXi’an: This dataset contains trajectories of DiDi Express and DiDi Premier drivers within Xi’an, China. 代表者 • DiDiXi'an: このデータセットには、西安、中国内のDiDi ExpressおよびDiDi Premierドライバーの軌跡が含まれています。 0.64
The data contains trips from October to November 2016. データには2016年10月から11月までの旅行が含まれている。 0.52
• DiDiHaikou: The dataset contains DiDi Express and DiDi Premier orders from May 1st, 2017 to Oct 31st, 2017 in the city of Haikou, China, including the including the coordinates of origins and destinations, pickup and dropoff timestamps, as well as other information. • DiDiHaikou:データセットには、2017年5月1日から2017年10月31日まで、中国の海口市のDiDi ExpressとDiDi Premierの注文が含まれています。
訳抜け防止モード: • DiDiHaikou : データセットには、2017年5月1日から2017年10月31日まで、中国の海口市でDiDi ExpressとDiDi Premierの注文が含まれています。 ピックアップとドロップオフタイムスタンプ、ならびに他の情報。
0.68
4) Bike Data: The relevant open bike data are listed as 4) 自転車データ: 関連するオープンバイクデータは、 0.71
follows. BikeNYC 12: The dataset is from the NYC Bike system, which contains 416 stations. 次だ BikeNYC 12: データセットは416のステーションを含むNYC Bikeシステムから作成されている。 0.70
The often used time period for this dataset is from 1st Jul. このデータセットの頻繁に使用される期間は1st Julからです。 0.79
2013 to 31th Dec. 2016. 2013年12月31日まで。 0.76
BikeDC 13: This dataset is from the Washington D.C. Bike System, which contains 472 stations. BikeDC 13: このデータセットはワシントンD.C.バイクシステム(452駅を含む)からのものです。 0.73
Each record contains trip duration, start and end station IDs, start and end times. 各レコードには、トリップ期間、開始と終了のステーションID、開始と終了時間が含まれます。 0.65
BikeChicago 14: This dataset is collected the Divvy System BikeChicago 14: このデータセットはDivvy Systemを収集する 0.90
Data in Chicago, from 2015 to 2020. 2015年から2020年までのシカゴのデータ。 0.81
7Download link: https://github.com/l ehaifeng/T-GCN 8 https://js.dclab.run /v2/cmptDetail.html? id=175 9http://www.nyc.gov/ html/tlc/html/about/ trip record data.shtml 10https://github.com /fivethirtyeight/uber-t lc-foil-response 11https://outreach.d idichuxing.com/resea rch/opendata/ 12 https://www.citibike nyc.com/system-data 13 https://www.capitalb ikeshare.com/system- data 14https://www.divvyb ikes.com/system-data 7Download link: https://github.com/l ehaifeng/T-GCN 8 https://js.dclab.run /v2/cmptDetail.html? id=175 9http://www.nyc.gov/ html/tlc/html/about/ trip record data.shtml 10https://github.com /fivethirtyeight/ube r-tlc-foil-response 11https://outreach.d ichuxing.com/researc h/opendata/12 https://www.citibike nyc.com/system-data 13 https://www.capitalb ikeshakeshare.com/sy stem-divs/system-dat a 0.31
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
10 5) Subway Data: The relevant subway data are listed as 10 5)地下鉄データ:該当する地下鉄データを記載する。 0.81
follows. SHMetro [98] 15: This dataset is derived from 811.8 million transaction records of the metro system in Shanghai, China, collected from Jul 1st, 2016 to Sep 30th, 2016. 次だ SHMetro [98] 15: このデータセットは、2016年9月1日から2016年8月30日までの上海のメトロシステムの8118万件の取引記録から得られたものです。 0.64
It contains 288 metro stations and 958 physical edges. 288の地下鉄駅と958の物理的端がある。 0.63
The inflow and outflow of each station are counted every 15 minutes, by counting the number of passengers entering or exiting the station. 各駅の流入と流出は、駅を出入りする乗客の数を数えて、15分ごとにカウントされます。 0.68
HZMetro [98] 16: This dataset is built similar to SHMetro, from the metro system in Hangzhou, China, in January 2019. HZMetro [98] 16: このデータセットは、2019年1月に中国の杭州にあるメトロシステムから構築されたSHMetroに似ています。 0.77
It contains 80 metro stations and 248 physical edges and the aggregation time length is also 15 minutes. 80の地下鉄駅と248の物理的縁があり、集約時間も15分である。 0.63
B. Open Source B。 オープンソース 0.76
There are some existing frameworks for implementing general deep learning models, most of which are built with the Python programming language, e.g., TensorFlow 17, Keras 18, PyTorch 19, and MXNet 20. 一般的なディープラーニングモデルを実装するための既存のフレームワークはいくつかあり、そのほとんどはPythonプログラミング言語(TensorFlow 17、Keras 18、PyTorch 19、MXNet 20など)で構築されている。 0.78
There are also some Python libraries designed for implementing graph neural networks, e.g., DGL 21, pytorch geometric 22, and Graph Nets 23. dgl 21、pytorch geometric 22、graph nets 23など、グラフニューラルネットワークを実装するために設計されたpythonライブラリもある。 0.79
For reproducible results, many studies also released opensourced implementations of their proposed models. 再現可能な結果を得るために、多くの研究が提案したモデルのオープンソース実装もリリースした。 0.53
The open source projects for traffic flow, traffic speed, traffic demand, and other problems are summarized in Table VI, Table VII, Table VIII, Table IX,respectively. トラフィックフロー、交通速度、交通需要、その他の問題に関するオープンソースプロジェクトは、Table VI、Table VII、Table VIII、Table IXにまとめられている。 0.72
As far as the authors know, this study provides the most comprehensive collection of open source codes up to date. 著者が知っている限り、この研究は最新のオープンソースコードの最も包括的なコレクションを提供します。 0.78
From these tables, TensorFlow and PyTorch are two frameworks that are used most frequently before 2021. これらのテーブルから、TensorFlowとPyTorchは、2021年以前に最も頻繁に使用される2つのフレームワークである。 0.62
VI. CHALLENGES AND FUTURE DIRECTIONS VI。 チャルダーと未来方向 0.67
In this section, both general challenges for traffic prediction problems as well as the new challenges when graph neural networks are involved are discussed. 本稿では,交通予測問題に対する一般的な課題と,グラフニューラルネットワークに関わる新たな課題について論じる。 0.70
Based on these challenges, we also discuss the possible future directions as well as the early attempts in these directions. これらの課題に基づき、今後の方向性や、これらの方向の早期試みについても論じる。 0.63
A. Challenges 1) Heterogeneous Data: Traffic prediction problems involve both spatiotemporal data and external factors, e.g., weather and calendar information. A。 挑戦 1)異種データ:トラヒック予測問題には時空間データと外部要因、例えば天気やカレンダー情報の両方が含まれる。 0.77
Heterogeneous data fusion has been a challenging problem which not only exists in the traffic domain. 不均一なデータ融合は、トラフィック領域に限らず、困難な問題である。 0.66
Graph neural networks have made a great progress by taking the underlying graph structures into consideration. グラフニューラルネットワークは、基礎となるグラフ構造を考慮して大きな進歩を遂げている。 0.80
However, there are still some challenges, e.g., the geographically close nodes may not be the most influential. しかし、地理的に近接するノードが最も影響を受けない場合など、いくつかの課題がある。 0.67
Also, the data quality from different sources are questionable, with concerns such as missing data, sparse data and noise. また、異なるソースからのデータ品質には疑問があり、データ不足、スパースデータ、ノイズといった懸念がある。 0.78
15Download link: https://github.com/i vechan/PVCGN 16Download link: https://github.com/i vechan/PVCGN 17https://www.tensor flow.org/ 18https://keras.io/ 19https://pytorch.or g/ 20https://mxnet.apac he.org/ 21https://www.dgl.ai / 22https://pytorch-ge ometric.readthedocs. io/ 23https://github.com /deepmind/graph nets 15Download link: https://github.com/i vechan/PVCGN 16Download link: https://github.com/i vechan/PVCGN 17https://www.tensor flow.org/ 18https://keras.io/ 19https://pytorch.or g/ 20https://mxnet.apac he.org/ 21https://www.dgl.ai / 22https://pytorch-ge ometric.readthedocs. io/ 23https://github.com /deepmind/graph nets 0.38
Most of the surveyed models are evaluated with the processed high-quality datasets, while only a few of them are taking these data quality related problem into consideration, e.g., using the Kalman filter to deal with the sensor data bias and noise [162], filling in the missing data with moving average filters [176] or linear interpolation [161], [162]. 調査対象のモデルのほとんどは,処理された高品質データセットを用いて評価されるが,センサデータのバイアスやノイズに対処するためにKalmanフィルタを使用して,移動平均フィルタ[176]や線形補間[161],[162]など,これらのデータ品質に関連する問題を考慮に入れているものはほとんどない。 0.87
For the missing data problem, graph convolutional networks are also proposed to impute missing data in the origin-destination flow recently [243]. グラフ畳み込みネットワークは,近年の原点決定フローにおいて欠落したデータをインプットするためにも提案されている[243]。 0.76
Traffic anomaly (e.g., congestion) is also an important external factor that may affect prediction accuracy and it has been proven that under congested traffic conditions, a deep neural network may not perform well as under normal traffic conditions [244]. 交通異常(例えば、渋滞)は、予測精度に影響を与える重要な外部要因であり、渋滞した交通条件下では、ディープニューラルネットワークは通常の交通条件 [244] よりも性能が良くないことが証明されている。 0.73
However, it remains a challenge for collecting enough anomaly data to train the deep learning model (including graph neural networks) in both normal and anomalous situations. しかし、通常の状況と異常状況の両方でディープラーニングモデル(グラフニューラルネットワークを含む)をトレーニングするのに十分な異常データを集めることは、依然として課題である。
訳抜け防止モード: しかし 十分な異常データを集めるには 通常の状況と異常状況の両方において、ディープラーニングモデル(グラフニューラルネットワークを含む)を訓練する。
0.80
The same concern applies for social events, public holidays, etc. 社交行事や公休日などにも同様の懸念が当てはまる。 0.60
2) Multi-task Prediction: For the public service operation in the intelligent transportation systems, a multi-task framework is needed to incorporate all the traffic information and predict the demand of multiple transportation modes jointly. 2)マルチタスク予測:インテリジェント交通システムにおける公共サービス運用には,すべての交通情報を統合し,複数の交通モードの需要を同時に予測するマルチタスク・フレームワークが必要である。 0.89
For example, knowledge adaption is proposed to adapt the relevant knowledge from a station-intensive source to stationsparse sources for demand prediction [245]. 例えば, 需要予測のために, 駅集中源から駅疎水源へ関連知識を適応させるために, 知識適応を提案する[245]。 0.75
The challenge points lie in both the different data formats as well as the differences of the inherent spatial or temporal dependencies in different tasks. 課題ポイントは、異なるデータフォーマットと、異なるタスクにおける固有の空間的または時間的依存関係の違いの両方にある。 0.83
While some surveyed models can be used for different tasks, e.g., traffic flow and traffic speed prediction on the same road segment, most of them can only be trained for a single task at one time. 調査対象のモデルの中には、同じ道路セグメントのトラフィックフローやトラフィック速度予測など、異なるタスクに使用できるものもありますが、そのほとんどは一度に1つのタスクでのみトレーニングできます。 0.76
However, some efforts have been made in GNN-based models for multi-task prediction, e.g., taxi departure flow and arrival flow [203], region-flow and transition-flow [65], crowd flows and OD of the flows [84]. しかし,gnnモデルでは,多タスク予測,例えばタクシーの出発流と到着流 [203],地域流と遷移流 [65],群衆流と流れのodなど,いくつかの試みがなされている [84]。 0.82
However, the multi-task prediction for different problem types with graph neural networks is still less studied in the literature. しかし,グラフニューラルネットワークを用いた問題型に対するマルチタスク予測は文献ではあまり研究されていない。 0.76
3) Model Actionability: The model actionability of the 3) モデル動作可能性: モデルの動作可能性 0.88
existing models is questionable for several reasons. 既存のモデルはいくつかの理由から疑わしい。 0.62
in the existing studies, e.g., 例えば既存の研究では 0.53
The first reason is the bias introduced by the small data amount less than one year. 第一の理由は、小さなデータによってもたらされるバイアスが1年未満である。 0.76
The generalization capabilities of their proposed solutions are questionable based on the amount of available data in the experiments, when applied in a different time period in practice. 提案されたソリューションの一般化能力は、実際に異なる期間に適用された場合、実験で利用可能なデータの量に基づいて疑問である。 0.73
Another reason is the computation scalability. もう一つの理由は計算のスケーラビリティである。 0.56
To avoid the huge computation amount accompanied by the large-scale realworld traffic network graphs, some studies only keep the subset of the nodes and edges. 大規模な実世界の交通ネットワークグラフに付随する膨大な計算量を避けるため、ノードとエッジのサブセットのみを保持する研究もある。 0.73
For example, most studies only use a subset of the PeMS dataset when considering the road traffic flow or speed problems. 例えば、ほとんどの研究では、道路交通の流れや速度の問題を考慮するときにのみPeMSデータセットのサブセットを使用します。 0.65
Their results can only be applied to the selected subsets. それらの結果は、選択したサブセットにのみ適用できます。 0.66
Graph partitioning and parallel computing infrastructures are proposed for solving this problem. この問題を解決するために、グラフ分割と並列コンピューティングインフラストラクチャが提案されている。 0.62
The traffic speed and flow of the entire PeMS dataset with 11,160 traffic sensor locations are predicted simultaneously in [28], with a graph-partitioning method which decomposes a large highway network into smaller networks and trains a single DCRNN model on a cluster with graphics processing units (GPU). 大規模高速道路網を小さなネットワークに分割し,グラフィックス処理ユニット(GPU)を備えたクラスタ上で1つのDCRNNモデルを訓練するグラフ分割法を用いて,11,160の交通センサ位置を持つPeMSデータセット全体のトラフィック速度とフローを[28]で同時に予測する。 0.84
However, the increased modeling power can only improve the state-of-the-art result with narrow performance margins, しかし、モデリング能力の増大は、パフォーマンスマージンを狭くすることで、最先端の結果だけを改善できる。 0.56
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
11 Article [24] [31] [36] [45] [62] [68] [71] [72] [75] [82] 11 Article [24] [31] [36] [45] [62] [68] [71] [72] [75] [82] 0.85
[85] [87] [95] [96] [98] [99] [26] [47] [47] [34] [56] [92] [103] [85] [87] [95] [96] [98] [99] [26] [47] [47] [34] [56] [92] [103] 0.85
TensorFlow TensorFlow 0.85
Framework Year TensorFlow 2020 2020 PyTorch 2020 MXNet 2020 2020 MXNet, PyTorch 2020 PyTorch 2020 MXNet 2020 2020 2020 Framework Year TensorFlow 2020 PyTorch 2020 MXNet 2020 2020 MXNet, PyTorch 2020 PyTorch 2020 MXNet 2020 2020 2020
訳抜け防止モード: フレームワーク年TensorFlow 2020 2020 PyTorch 2020 MXNet 2020 MXNet PyTorch 2020 PyTorch 2020 MXNet 2020 2020 2020 に出展します。
0.94
PyTorch, DGL TensorFlow Keras PyTorch, DGL TensorFlow Keras 0.85
Pytorch PyTorch Keras Keras PyTorch Keras Pytorch PyTorch Keras Keras PyTorch Keras 0.85
2020 2020 2020 2020 2020 2020 2019 MXNet, DGL 2019 MXNet 2019 PyTorch PyTorch 2018 TensorFlow 2018 Keras 2018 2018 TensorFlow 2020 2020 2020 2020 2020 2020 2020 2019 MXNet, DGL 2019 MXNet 2019 PyTorch PyTorch 2018 TensorFlow 2018 Keras 2018 2018 2018 TensorFlow 0.92
OPEN SOURCE PROJECTS FOR TRAFFIC FLOW RELATED PROBLEMS. トラフィックフロー関連の問題に対するオープンソースプロジェクト。 0.54
TABLE VI Problem Road Traffic Flow, Road Traffic Speed Road Traffic Flow Road Traffic Flow Road Traffic Flow Road Traffic Flow Road Traffic Flow, Road Traffic Speed Road Traffic Flow, Road Traffic Speed Road Traffic Flow Road OD Flow Road Station-level Subway Passenger Flow, Station-level Bus Passenger Flow, Regional Taxi Flow Regional Taxi Flow Regional OD Taxi Flow Station-level Subway Passenger Flow Station-level Subway Passenger Flow Station-level Subway Passenger Flow Station-level Subway Passenger Flow Road Traffic Flow, Road Traffic Speed Road Traffic Flow Road Traffic Flow Road Traffic Flow Road Traffic Flow Station-level Subway Passenger Flow Bike Flow テーブルVI Problem Road Traffic Flow, Road Traffic Speed Road Traffic Flow Road Traffic Flow Road Traffic Flow Road Traffic Flow Road Traffic Flow, Road Traffic Speed Road Traffic Flow, Road Traffic Speed Road Traffic Flow Road OD Flow Road Station-level Subway Passenger Flow, Station-level Bus Passenger Flow, Regional Taxi Flow Regional Taxi Flow Regional OD Taxi Flow Station-level Subway Passenger Flow Station-level Subway Passenger Flow Station-level Subway Passenger Flow Station-level Subway Passenger Flow Road Traffic Flow, Road Traffic Speed Road Traffic Flow Road Traffic Flow Road Traffic Flow Road Traffic Flow Station-level Subway Passenger Flow Bike Flow 0.70
Link https://github.com/z hengchuanpan/GMAN https://github.com/L eiBAI/AGCRN https://github.com/w anhuaiyu/STSGCN https://github.com/s am101340/GAGCN-BC-20 200720 https://github.com/z kx741481546/Auto-STG CN https://github.com/g uokan987/DGCN https://github.com/M engzhangLI/STFGNN https://github.com/K elang-Tian/ST-MGAT https://github.com/a lzmxx/OD Prediction https://github.com/R ingBDStack/GCNN-In-T raffic link https://github.com/z hengchuanpan/gman https://github.com/l eibai/agcrn https://github.com/w anhuaiyu/stsgcn https://github.com/s am101340/gagcn-bc-20 200720 https://github.com/z kx741481546/auto-stg cn https://github.com/g uokan987/dgcn https://github.com/m engzhangli/stfgnn https://github.com/k elang-tian/st-mgat https://github.com/a lzmxx/od prediction https://github.com/r ingbdstack/gcnn-in-t raffic 0.28
https://github.com/S tanislas0/ToGCN-V2X https://github.com/F elixOpolka/Mobility- Flows-Neural-Network s https://github.com/J inleiZhangBJTU/ResNe t-LSTM-GCN https://github.com/J inleiZhangBJTU/Conv- GCN https://github.com/i vechan/PVCGN https://github.com/s tart2020/Multi-STGCn et https://github.com/p anzheyi/ST-MetaNet https://github.com/w anhuaiyu/ASTGCN https://github.com/w anhuaiyu/ASTGCN-r-py torch https://github.com/x xArbiter/grnn https://github.com/V eritasYin/STGCN IJCAI-18 https://github.com/R ingBDStack/GCNN-In-T raffic https://github.com/D i-Chai/GraphCNN-Bike https://github.com/S tanislas0/ToGCN-V2X https://github.com/F elixOpolka/Mobility- Flows-Neural-Network s https://github.com/J inleiZhangBJTU/ResNe t-LSTM-GCN https://github.com/J inleiZhangBJTU/Conv- GCN https://github.com/i vechan/PVCGN https://github.com/s tart2020/Multi-STGCn et https://github.com/p anzheyi/ST-MetaNet https://github.com/w anhuaiyu/ASTGCN https://github.com/w anhuaiyu/ASTGCN-r-py torch https://github.com/x xArbiter/grnn https://github.com/V eritasYin/STGCN IJCAI-18 https://github.com/R ingBDStack/GCNN-In-T raffic https://github.com/D i-Chai/GraphCNN-Bike 0.26
OPEN SOURCE PROJECTS FOR TRAFFIC SPEED RELATED PROBLEMS. トラヒックスピード関連の問題に対するオープンソースプロジェクト。 0.55
TABLE VII Article [69] [105] [129] [144] [147] [162] [163] [174] [179] [185] [4] [125] [130] [131] [164], [165] [3] [3] [110] [169] [181], [182] テーブルVII Article [69] [105] [129] [144] [147] [162] [163] [174] [179] [185] [4] [125] [130] [131] [164], [165] [3] [3] [110] [169] [181], [182] 0.75
Framework Keras TensorFlow TensorFlow PyTorch TensorFlow PyTorch PyTorch TensorFlow, Keras PyTorch TensorFlow PyTorch PyTorch TensorFlow TensorFlow Keras TensorFlow TensorFlow PyTorch TensorFlow PyTorch PyTorch TensorFlow, Keras PyTorch TensorFlow PyTorch PyTorch TensorFlow 0.75
Year 2020 2020 2020 2020 2020 2020 2020 2020 2020 2020 2019 2019 2019 2019 2019 MXNet TensorFlow 2018 PyTorch 2018 2018 MXNet 2018 2018 Year 2020 2020 2020 2020 2020 2020 2020 2020 2020 2020 2020 2020 2019 2019 2019 2019 MXNet TensorFlow 2018 PyTorch 2018 2018 2018 MXNet 2018 2018 0.91
TensorFlow TensorFlow TensorFlow TensorFlow 0.85
Problem Road Traffic Speed Road Traffic Speed Road Traffic Speed Road Traffic Speed Road Traffic Speed Road Traffic Speed Road Traffic Speed Road Traffic Speed Road Travel Time Time of Arrival Road Traffic Speed Road Traffic Speed Road Traffic Speed Road Traffic Speed Road Traffic Speed Road Traffic Speed Road Traffic Speed Road Traffic Speed Road Traffic Speed Traffic Congestion 問題道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 道路交通速度 0.74
Link https://github.com/j illbetty001/ST-CGA https://github.com/l ehaifeng/T-GCN/tree/ master/A3T https://github.com/f anyang01/relational- ssm https://github.com/n nzhan/MTGNN https://github.com/t anwimallick/TL-DCRNN https://github.com/F anglanc/DKFN https://github.com/R obinLu1209/STAG-GCN https://github.com/R omainLITUD/DGCN traffic forecasting https://github.com/Y ibinShen/TTPNet https://github.com/d idi/heteta https://github.com/n nzhan/Graph-WaveNet https://github.com/s shleifer/Graph-WaveN et https://github.com/l ehaifeng/T-GCN https://github.com/z hiyongc/Graph Convolutional LSTM https://github.com/T obiasSkovgaardJepsen /relational-fusion-n etworks https://github.com/l iyaguang/DCRNN https://github.com/c hnsh/DCRNN PyTorch https://github.com/j ennyzhang0215/GaAN https://github.com/J ingqingZ/BaiduTraffic https://github.com/s udatta0993/Dynamic-C ongestion-Prediction Link https://github.com/j illbetty001/ST-CGA https://github.com/l ehaifeng/T-GCN/tree/ master/A3T https://github.com/f anyang01/relational- ssm https://github.com/n nzhan/MTGNN https://github.com/t anwimallick/TL-DCRNN https://github.com/F anglanc/DKFN https://github.com/R obinLu1209/STAG-GCN https://github.com/R omainLITUD/DGCN traffic forecasting https://github.com/Y ibinShen/TTPNet https://github.com/d idi/heteta https://github.com/n nzhan/Graph-WaveNet https://github.com/s shleifer/Graph-WaveN et https://github.com/l ehaifeng/T-GCN https://github.com/z hiyongc/Graph Convolutional LSTM https://github.com/T obiasSkovgaardJepsen /relational-fusion-n etworks https://github.com/l iyaguang/DCRNN https://github.com/c hnsh/DCRNN PyTorch https://github.com/j ennyzhang0215/GaAN https://github.com/J ingqingZ/BaiduTraffic https://github.com/s udatta0993/Dynamic-C ongestion-Prediction 0.29
OPEN SOURCE PROJECTS FOR TRAFFIC DEMAND RELATED PROBLEMS. 交通デマンド関連プロブレムのオープンソースプロジェクト。 0.32
TABLE VIII Article [199] [202] [207] [192] [198] テーブルVIII Article [199] [202] [207] [192] [198] 0.75
Year 2020 2020 2020 2019 2019 Year 2020 2020 2020 2019 2019 0.85
Framework TensorFlow TensorFlow, PyTorch PyTorch TensorFlow, Keras Keras Framework TensorFlow、PyTorch PyTorch TensorFlow、Keras Keras 0.74
Problem Taxi Demand Taxi Demand Taxi Demand, Bike Demand Ride-hailing Demand, Bike Demand, Taxi Demand Taxi Demand 問題タクシー需要税、自転車需要、自転車需要、タクシー需要
訳抜け防止モード: 問題 タクシー需要 タクシー需要 自転車需要- 需要、バイク需要、タクシー需要、タクシー需要
0.53
Link https://github.com/h ujilin1229/od-pred https://github.com/N DavisK/Grids-versus- Graphs https://github.com/E ssaim/CGCDemandPredi ction https://github.com/L eeDoYup/TGGNet-keras https://github.com/k ejintao/ST-ED-RMGC Link https://github.com/h ujilin1229/od-pred https://github.com/N DavisK/Grids-versus- Graphs https://github.com/E ssaim/CGCDemandPredi ction https://github.com/L eeDoYup/TGGNet-keras https://github.com/k ejintao/ST-ED-RMGC 0.29
compared with statistical and machine learning models with less complex structures and computational requirements. 複雑な構造や計算要件の少ない統計モデルや機械学習モデルと比較する。 0.83
The third reason is the change of the transportation infrastructures. 第三の理由は交通インフラの変化である。 0.76
The real-world network graphs change when road segments or bus lines are added or removed in reality. 実際のネットワークグラフは、実際の道路セグメントやバスラインの追加や削除によって変化する。 0.72
POIs in a city also change when new facilities are built. 都市のポアも新しい施設が建設されると変化する。 0.77
Static graph formulation is not enough for handling these situations. 静的グラフの定式化はこれらの状況を扱うには不十分である。 0.55
Some efforts are made to solve this problem and show promising results. この問題を解決するためにいくつかの努力がなされ、有望な結果が得られた。 0.49
For example, a dynamic Laplacian matrix estimator is proposed to find the change of Laplacian 例えば、動的ラプラシアン行列推定器はラプラシアンの変化を見つけるために提案される。 0.63
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
12 OPEN SOURCE PROJECTS FOR OTHER PROBLEMS. 12 他の問題に対するオープンソースプロジェクト。 0.66
TABLE IX Article [217] [218] [224] [225] [228] 第9表 Article [217] [218] [224] [225] [228] 0.71
Year 2020 2020 2020 2020 2019 Year 2020 2020 2020 2020 2019 0.85
Framework TensorFlow PyTorch, DGL PyTorch, DGL TensorFlow TensorFlow, Keras フレームワークのTensorFlow PyTorch、DGL PyTorch、DGL TensorFlow TensorFlow、Keras 0.87
Problem Traffic Accident Traffic Accident Parking Availability Transportation Resilience Lane Occupancy 交通事故 交通事故 駐車 交通 交通 レジリエンス レーンの占有者 0.69
Link https://github.com/z zyy0929/AAAI2020-Ris kOracle/ https://github.com/y ule-BUAA/DSTGCN https://github.com/V vrep/SHARE-parking availability prediction-Pytorch https://github.com/C harles117/resilience shenzhen https://github.com/m awright/trafficgraphnn Link https://github.com/z zyy0929/AAAI2020-Ris kOracle/ https://github.com/y ule-BUAA/DSTGCN https://github.com/V vrep/SHARE-parking availability prediction-Pytorch https://github.com/C harles117/resilience shenzhen https://github.com/m awright/trafficgraph nn 0.33
matrix, according to changes of spatial dependencies hidden in the traffic data [116], and a Data Adaptive Graph Generation (DAGG) module is proposed to infer the inter-dependencies among different traffic series automatically, without using predefined graphs about spatial connections [31]. マトリックスは,トラヒックデータ[116]に隠された空間依存の変化とデータ適応グラフ生成(dagg)モジュールにより,空間接続に関する予め定義されたグラフを用いずに,トラヒック列間の相互依存を自動的に推測する[31]。 0.87
4) Model Interpretability: Model 4)モデル解釈可能性:モデル 0.83
interpretability or explainability has been a long-criticized issue for “black-box” machine learning or deep learning models, which though has not stopped the wide application of these models. 解釈性や説明性は、"ブラックボックス(black-box)"マシンラーニングやディープラーニングモデルでは長く批判されてきた問題である。 0.58
Similar concerns exist in the traffic forecasting tasks [246], [247], which has not been fully solved for deep learning models, not to mention the recent appearing graph nueral networks. 交通予測タスク [246] や [247] にも同様の懸念があり、これは近年出現しているグラフニューラルネットワークだけでなく、ディープラーニングモデルでは完全に解決されていない。 0.77
The explainability study for graph neural networks in other studies is still in the early stage [248], [249], [250] and it remains a challenge how these explainability techniques can be used in the traffic forecasting domain. グラフニューラルネットワークの他の研究における説明可能性の研究はまだ初期段階 [248], [249], [250] にあり、これらの説明可能性技術がトラフィック予測領域でどのように使われるかが課題となっている。 0.81
B. Future Directions 1) Centralized Data Repository: B。 今後の方向 1)集中型データリポジトリ。 0.72
It has almost been a common sense that a centralized data repository and a fair leader board for the performance of different models is missing in the current literature. 現在の文献では、異なるモデルのパフォーマンスのための中央集権的なデータリポジトリと公正なリーダーボードが欠落していることは、ほぼ一般的な感覚でした。 0.63
For those public dataset hosted in the Github repository or shared with OneDrive, Google Drive, etc., they can be unavailable due to multiple reasons, e.g., job change of the researchers, unaffordable cloud service cost, etc. githubリポジトリにホストされている、あるいはonedriveやgoogle driveなどと共有されている公開データセットについては、研究者のジョブ変更やクラウドサービスコストなど、さまざまな理由で利用できない場合がある。 0.84
For example, the original Github project and the sharing links for the TaxiBJ [242] dataset has already become unavailable. 例えば、オリジナルのGithubプロジェクトとTaxiBJ [242]データセットの共有リンクは、すでに利用できなくなっています。 0.77
Another problem arises when different models choose the datasets that they can achieve advantageous results. 別の問題は、異なるモデルが有利な結果が得られるデータセットを選択するときに生じる。 0.72
The third problem arises when the authors have no enough computing devices, they may fail to evaluate their models on a larger dataset. 3つ目の問題は、著者が十分なコンピューティングデバイスを持っていない場合、より大きなデータセットでモデルを評価できない場合があります。 0.66
Same criteria for building such a data repository have been discussed in previous surveys, e.g., the unified data format, track of dataset versions, public code and ranked results, enough time range (longer than a year ideally), etc. このようなデータリポジトリを構築する同じ基準は、例えば統一データフォーマット、データセットのバージョンの追跡、公開コードとランク付け結果、十分な時間範囲(理想的には1年以上)など、以前の調査でも議論されてきた。 0.76
Building the data repository can only be more challenging for GNN-based models. データリポジトリの構築は、GNNベースのモデルにとって、より困難である。 0.62
Different natural graphs are collected and stored in different data formats. 異なる自然グラフが収集され、異なるデータ形式に格納される。 0.74
For example, various data formats, e.g., Esri Shapefile and OSM XML used by Openstreetmap, are used for digital maps in the GIS community. 例えば、Open Streetmapで使われているEsri ShapefileやOSM XMLといった様々なデータフォーマットは、GISコミュニティのデジタルマップに使われている。 0.82
And given the same traffic data, different similarity graphs can be constructed in different models, which make it harder to store and track the graph data. 同一のトラフィックデータを考えると、異なる類似性グラフを異なるモデルで構築することができるため、グラフデータの保存と追跡が困難になる。 0.86
There are already some attempts in the machine learning community, e.g., the benchmarks for several traffic prediction tasks in Papers With Code 24, and in the data science compe- 機械学習コミュニティには、例えば、コード24とデータサイエンスコンペに関する論文におけるいくつかのトラフィック予測タスクのベンチマークなど、すでにいくつかの試みがある。 0.66
titions, e.g., the Traffic4cast competition series 25. 例えば、Traffic4castのコンペティションシリーズ25。 0.54
However, the various requirements of this task hinder the realization of the centralized data repository so far. しかし、このタスクの様々な要求は、これまでの集中型データリポジトリの実現を妨げる。 0.77
2) Combination with Other Techniques: GNNs can be combined with other advanced techniques for dealing with the above challenges and aiming for a better performance. 2) 他のテクニックとの結合: GNNは上記の課題に対処し、より良いパフォーマンスを目指して、他の高度な技術と組み合わせることができる。 0.79
Data Augmentation. Data augmentation has been proven effective for boosting the performance of deep learning models, e.g., in image classification tasks. データ拡張。 データ拡張は、画像分類タスクなどのディープラーニングモデルのパフォーマンス向上に有効であることが証明されている。 0.72
However, due to the complex structure of graphs, it is more challenging of applying the data augmentation techniques for graph neural networks. しかし、グラフの複雑な構造のために、グラフニューラルネットワークにデータ拡張技術を適用することがより困難である。 0.76
Recently, data augmentation for GNNs has been proven helpful in the semi-supervised node classification task [251]. 近年, 半教師付きノード分類タスク[251]において, GNNのデータ拡張が有効であることが証明されている。 0.64
However, it remains a question whether data augmentation for GNNs can be applied for traffic forecasting or not. しかし、GNNのデータ拡張がトラフィック予測に適用できるかどうかは疑問のままです。 0.61
Transfer Learning. Transfer learning utilizes knowledge or models trained for one task to solve related ones, especially those with limited data. 学習を移す。 トランスファーラーニングは、特定のタスクのために訓練された知識やモデルを利用して、特に限られたデータを含む関連する課題を解決する。
訳抜け防止モード: 学習を移す。 転送学習は1つのタスクのために訓練された知識やモデルを利用する 関連するもの、特にデータに制限のあるものを解決する。
0.64
In the image classification field, the pre-trained deep learning models from the ImageNet or MS COCO datasets are widely used in other problems. 画像分類分野では、ImageNetまたはMS COCOデータセットからの事前学習されたディープラーニングモデルが、他の問題で広く使用されている。 0.66
For traffic prediction problems, the limited data problem also exists due to lack of historical data, and transfer learning is a possible solution. トラフィック予測の問題では、履歴データの欠如による限られたデータ問題も存在し、転送学習は可能なソリューションです。 0.76
To solve the problem that previous GNN solutions (e.g., DCRNN) cannot perform transfer learning directly, a new transfer learning approach for DCRNN is proposed in [147], so that a model which is trained on data-rich regions of highway network can be used to predict traffic on unseen regions of the highway network. 従来のGNNソリューション(例えば、DCRNN)が転送学習を直接実行できない問題を解決するため、[147]では、ハイウェイネットワークのデータ豊富な領域でトレーニングされたモデルを用いて、ハイウェイネットワークの未確認領域のトラフィックを予測する新しい転送学習手法が提案されている。 0.80
Different parts of the entire California road network from the Performance Measurement System are used to demonstrated the efficacy of model transferability between the San Francisco and Los Angeles regions. パフォーマンス測定システムからのカリフォルニア道路ネットワーク全体の異なる部分は、サンフランシスコとロサンゼルス地域間のモデル転送性の有効性を実証するために使用されています。 0.85
Meta-learning. Meta-learning (also known as learning how to learn) has recently become a potential learning paradigm that can absorb information from a task and effectively generalize it to an unseen task. メタ学習。 メタラーニング(学習方法としても知られる)は最近、タスクから情報を吸収し、目に見えないタスクに効果的に一般化できる潜在的な学習パラダイムになりました。 0.66
There are different types of meta learning methods and some of them are combined with graph structures for describing relationships between tasks or data samples [252], [253]. メタ学習には様々な種類があり、そのいくつかはタスクやデータサンプル [252], [253] の関係を記述するグラフ構造と組み合わせられている。 0.82
Based on a deep meta learning method named network weight generation, ST-MetaNet+ is proposed in [25], which leverages the meta knowledge extracted from geo-graph attributes and dynamic traffic context learned from traffic states to generate the parameter weights of graph attention networks and recurrent neural networks, so that the inherent relationships between diverse types of spatiotemporal correlations and geo-graph attributes can be captured. ネットワークウェイト生成と呼ばれる深層メタラーニング手法を用いて,[25]においてST-MetaNet+を提案し, グラフ属性から抽出したメタ知識とトラフィック状態から学習した動的トラフィックコンテキストを利用して, グラフアテンションネットワークとリカレントニューラルネットワークのパラメータウェイトを生成することにより, 多様な時空間相関とジオグラフ属性の関係を捉えることができる。 0.87
Generative Adversarial Network (GAN) [254]. Generative Adversarial Network (GAN) [254]。 0.69
GAN is a machine learning framework that has two components, namely, GANは2つのコンポーネントを持つ機械学習フレームワークです。 0.70
24https://paperswith code.com/task/traffic-prediction 24https://paperswith code.com/task/traffi c-prediction 0.31
25https://www.iarai. ac.at/traffic4cast/ 25https://www.iarai. ac.at/traffic4cast/ 0.26
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
13 a generator which learns to generate plausible data, and a discriminator, which learns to distinguish the generator’s fake data from real data. 13 実用的なデータを生成することを学ぶジェネレータと、ジェネレータの偽データを実際のデータと区別することを学ぶ差別者。
訳抜け防止モード: 13 妥当なデータを生成することを学ぶ生成装置、および判別装置 生成元の偽データを実際のデータと区別することを学びます。
0.82
After training to a state of the Nash equilibrium, the generator may generate indistinguish data, which helps to expand the training data size for many problems, including those in the traffic domain. ナッシュ平衡状態へのトレーニング後、ジェネレータは、トラフィックドメインを含む多くの問題に対してトレーニングデータサイズを拡大するのに役立つ、不明瞭なデータを生成することができる。 0.70
In [22], the road network is used directly as the graph, in which the nodes are the road state detector (or road segment) and the edges are built based on their adjacent links. 22]では、道路ネットワークをグラフとして直接使用し、ノードは道路状態検出器(または道路セグメント)であり、エッジは隣接するリンクに基づいて構築されます。 0.82
DeepWalk is used for the graph embedding and the road traffic state sensor information is transfered into a low-dimensional space. DeepWalkはグラフ埋め込みに使用され、道路交通状態センサー情報は低次元空間に転送されます。 0.77
Then the Wasserstein GAN (WGAN) [255] is used to learn the traffic state data distribution and generate predicted results. そして、Wasserstein GAN(WGAN)[255]を使用して、トラフィック状態データ分布を学習し、予測結果を生成する。 0.78
Both public traffic flow (i.e., Caltrans PeMSD7) and traffic speed (i.e., METR-LA) datasets are used for evaluation and the results demonstrate the effectiveness of the GAN-based solution. 公共交通フロー(Caltrans PeMSD7)と交通速度データセット(METR-LA)の両方が評価に使用され、その結果はGANベースのソリューションの有効性を示している。 0.77
Automated Machine Learning (AutoML). Automated Machine Learning (AutoML) の略。 0.82
The application of machine learning requires a lot of manual intervention, which is manifested in various aspects of machine learning, such as feature extraction, model selection, and parameter adjustment. 機械学習の応用には多くの手動介入が必要であり、特徴抽出、モデル選択、パラメータ調整といった機械学習の様々な側面に現れている。 0.80
The AutoML automatically learns these important steps related to features, models, optimization, and evaluation, so that machine learning models can be applied without manual intervention. AutoMLは、機能、モデル、最適化、評価に関連するこれらの重要なステップを自動的に学習し、手作業による介入なしに機械学習モデルを適用することができる。 0.68
AutoML would help to improve the model actionability of the machine learning models (including the graph neural networks). AutoMLは、マシンラーニングモデル(グラフニューラルネットワークを含む)のモデル動作性を改善するのに役立つだろう。 0.85
There are some early attempts of combining AutoML with graph neural networks for traffic prediction problems. トラフィック予測問題に対して、AutoMLとグラフニューラルネットワークを組み合わせた初期の試みがある。 0.72
Based on the STGCN models, an AutoSTGCN algorithm is proposed in [62], which can search the parameter search space for these STGCN models quickly based on reinforcement learning and generate optimal models automatically for specific scenarios. STGCNモデルに基づいて,STGCNモデルに対するパラメータ探索空間を高速に探索し,特定のシナリオに対して最適なモデルを自動的に生成する自動STGCNアルゴリズムが[62]に提案されている。 0.91
Bayesian network. ベイジアンネットワーク。 0.71
Most of the existing studies aim for deterministic models that make mean predictions. 既存の研究のほとんどは、平均予測を行う決定論モデルを目指しています。 0.68
However, some traffic applications rely on uncertainty estimates for the future situations. しかしながら、将来の状況に対する不確実性推定に依存するトラフィックアプリケーションもある。 0.62
To tackle this gap, Bayesian network is a promising solution, which is a type of probabilistic graphical model that uses Bayesian inference for probability computations. このギャップに対処するためにベイズネットワークは有望なソリューションであり、確率計算にベイズ推論を使用する確率的グラフィカルモデルの一種である。 0.77
Similar ideas are proposed with Quantile Regression, which can estimate the quantile function of a distribution at chosen points and is combined with Graph WaveNet for uncertainty estimates [170]. 同様に、選択された点における分布の量子関数を推定できるQuantile Regressionで提案され、不確実性推定のためにGraph WaveNetと組み合わせられる[170]。 0.81
VII. CONCLUSION In this paper, a comprehensive review of the application of GNNs for traffic forecasting is presented. VII。 結論 本稿では,交通予測におけるGNNの適用状況について概観する。 0.64
Three levels of traffic problems and graphs are summarized, namely, road-level, region-level and station-level. 交通問題とグラフの3つのレベル、すなわち道路レベル、地域レベル、駅レベルが要約される。 0.70
The usages of recurrent GNNs, convolutional GNNs and graph autoencoders are discussed. 繰り返しGNN,畳み込みGNN,グラフオートエンコーダの使用法について述べる。 0.69
We also give the latest collection of open dataset and code resource for this topic. また、このトピックに関する最新のオープンデータセットとコードリソースのコレクションも提供します。 0.74
Challenges and future directions are further pointed out for the following research. 以下の研究の課題と今後の方向性はさらに指摘されている。 0.67
REFERENCES [1] W. Jiang and L. Zhang, “Geospatial data to images: A deep-learning framework for traffic forecasting,” Tsinghua Science and Technology, vol. 参考 tsinghua science and technology, vol. “geospatial data to images: a deep-learning framework for traffic forecasting”(交通予測のためのディープラーニングフレームワーク)だ。
訳抜け防止モード: 参考 [1 ]W. Jiang, L. Zhang, “地理空間データの画像化 : 交通予測のための深層学習フレームワーク” Tsinghua Science and Technology, vol。
0.67
24, no. 1, pp. 24時24分 1、p。 0.52
52–64, 2018. 52–64, 2018. 0.84
J. [2] Z. Wu, S. Pan, F. Chen, G. Long, C. Zhang, and S. Y. Philip, “A comprehensive survey on graph neural networks,” IEEE Transactions on Neural Networks and Learning Systems, 2020. J。 [2] Z. Wu, S. Pan, F. Chen, G. Long, C. Zhang, S. Y. Philip, “グラフニューラルネットワークに関する包括的な調査” IEEE Transactions on Neural Networks and Learning Systems, 2020。 0.84
[3] Y. Li, R. Yu, C. Shahabi, and Y. Liu, “Diffusion convolutional recurrent neural network: Data-driven traffic forecasting,” in International Conference on Learning Representations (ICLR ’18), 2018. 3] Y. Li, R. Yu, C. Shahabi, Y. Liu, “Diffusion convolutional recurrent neural Network: Data-driven traffic forecasting” in International Conference on Learning Representations (ICLR’18) 2018。 0.86
[4] Z. Wu, S. Pan, G. Long, 4] Z. Wu、S. Pan、G. Long。 0.86
Jiang, and C. Zhang, “Graph wavenet for deep spatial-temporal graph modeling,” in Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence, IJCAI-19. Jiang, and C. Zhang, “Graph wavenet for Deep spatial-temporal graph modeling” in Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence, IJCAI-19。 0.91
International Joint Conferences on Artificial Intelligence Organization, 7 2019, pp. International Joint Conferences on Artificial Intelligence Organization, 7 2019, pp. 0.85
1907–1913. 1907–1913. 0.71
[Online]. Available: https://doi.org/10.2 4963/ijcai.2019/264 [オンライン] https://doi.org/10.2 4963/ijcai.2019/264 0.51
[5] X. Shi and D.-Y. 5] X. ShiおよびD.Y。 0.82
Yeung, “Machine learning for spatiotemporal sequence forecasting: A survey,” arXiv preprint arXiv:1808.06865, 2018. Yung, “Machine learning for spatiotemporal sequence forecasting: A survey” arXiv preprint arXiv:1808.06865, 2018. 0.96
[6] D. Pavlyuk, “Feature selection and extraction in spatiotemporal traffic forecasting: a systematic literature review,” European Transport Research Review, vol. 6] d. pavlyuk, “feature selection and extraction in spatiotemporal traffic forecasting: a systematic literature review”. european transport research review, vol. (英語) 0.85
11, no. 1, p. 6, 2019. 11、いいえ。 1、p.6 2019。 0.73
[7] X. Yin, G. Wu, J. Wei, Y. Shen, H. Qi, and B. Yin, “A comprehensive survey on traffic prediction,” arXiv preprint arXiv:2004.08555, 2020. [7] X. Yin, G. Wu, J. Wei, Y. Shen, H. Qi, B. Yin, “A comprehensive survey on traffic prediction” arXiv preprint arXiv:2004.08555, 2020 0.98
[8] M. Luca, G. Barlacchi, B. Lepri, and L. Pappalardo, “Deep learning for human mobility: a survey on data and models,” arXiv preprint arXiv:2012.02825, 2020. 8] M. Luca, G. Barlacchi, B. Lepri, L. Pappalardo, “Deep Learning for Human mobility: a survey on data and model” arXiv preprint arXiv:2012.02825, 2020。 0.94
[9] X. Fan, C. Xiang, L. Gong, X. 9] X。 Fan, C. Xiang, L. Gong, X。 0.78
He, Y. Qu, S. Amirgholipour, Y. Xi, P. Nanda, and X. 彼、Y. Qu、S. Amirgholipour、Y. Xi、P. Nanda、X。 0.84
He, “Deep learning for intelligent traffic sensing and prediction: recent advances and future challenges,” CCF Transactions on Pervasive Computing and Interaction, pp. 彼は“deep learning for intelligent traffic sensing and prediction: recent advances and future challenges”(インテリジェントトラヒックセンシングと予測のためのディープラーニング:最近の進歩と今後の課題)とccf transactions on pervasive computing and interaction, pp. と題している。
訳抜け防止モード: インテリジェントトラヒックセンシングと予測のためのディープラーニング : 最近の進歩と今後の課題 ccf transactions on pervasive computing and interaction , pp。
0.65
1–21, 2020. 1–21, 2020. 0.84
[10] A. Boukerche and J. Wang, “Machine learning-based traffic prediction models for intelligent transportation systems,” Computer Networks, vol. 10] A. Boukerche, J. Wang, “Machine Learning-based traffic prediction model for intelligent transport systems”, Computer Networks, vol. 0.89
181, p. 107530, 2020. 181, p. 107530, 2020。 0.91
[11] E. L. Manibardo, [11]E.L. Manibardo, 0.86
I. La˜na, and J. Del Ser, “Deep learning for road traffic forecasting: Does it make a difference?” arXiv preprint arXiv:2012.02260, 2020. I・ラ・シュナとJ・デル・セルは「道路交通予測の深層学習:それは違いをもたらすか?」 arXiv preprint arXiv:2012.02260, 2020。 0.77
[12] J. Ye, J. Zhao, K. Ye, and C. Xu, “How to build a graph-based deep learning architecture in traffic domain: A survey,” arXiv preprint arXiv:2005.11691, 2020. J. Ye, J. Zhao, K. Ye, C. Xu, “How to build a graph-based deep learning architecture in traffic domain: A survey”, arXiv preprint arXiv:2005.11691, 2020”。 0.92
[13] K. Lee, M. Eo, E. Jung, Y. Yoon, and W. Rhee, “Short-term traffic prediction with deep neural networks: A survey,” arXiv preprint arXiv:2009.00712, 2020. K. Lee, M. Eo, E. Jung, Y. Yoon, W. Rhee, “Short-term traffic prediction with Deep Neural Network: A survey, arXiv preprint arXiv:2009.00712, 2020”。 0.91
[14] P. Xie, T. Li, J. Liu, S. Du, X. Yang, and J. Zhang, “Urban flow prediction from spatiotemporal data using machine learning: A survey,” Information Fusion, vol. 14] P. Xie, T. Li, J. Liu, S. Du, X. Yang, J. Zhang氏は,“マシンラーニングを用いた時空間データからのUrban flow prediction: A survey”,Information Fusion, Vol.. 0.90
59, pp. 1–12, 2020. 59, pp。 1–12, 2020. 0.82
[15] S. George and A. K. Santra, “Traffic prediction using multifaceted techniques: A survey,” Wireless Personal Communications, vol. S. George and A. K. Santra, “Traffic prediction using multifaceted techniques: A survey”, Wireless Personal Communications, vol. 0.78
115, no. 2, pp. 115年だ 2、p。 0.53
1047–1106, 2020. 1047–1106, 2020. 0.84
[16] A. K. Haghighat, V. Ravichandra-Mouli, P. Chakraborty, Y. Esfandiari, S. Arabi, and A. Sharma, “Applications of deep learning in intelligent transportation systems,” Journal of Big Data Analytics in Transportation, vol. 16] A.K. Haghighat, V. Ravichandra-Mouli, P. Chakraborty, Y. Esfandiari, S. Arabi, A. Sharma, "Applications of Deep Learning in Intelligent Transportation System", Journal of Big Data Analytics in Transportation, vol。 0.91
2, no. 2, pp. 2、いいえ。 2、p。 0.67
115–145, 2020. 115–145, 2020. 0.84
[17] A. Boukerche, Y. Tao, and P. Sun, “Artificial intelligence-based vehicular traffic flow prediction methods for supporting intelligent transportation systems,” Computer Networks, vol. 17] A. Boukerche, Y. Tao, P. Sun, "Artificial Intelligence-based vehicular traffic flow predict method for support Intelligent Transportation System", Computer Networks, vol。 0.84
182, p. 107484, 2020. 182, p. 107484, 2020。 0.91
[18] D. A. Tedjopurnomo, Z. Bao, B. Zheng, F. Choudhury, and A. Qin, “A survey on modern deep neural network for traffic prediction: Trends, methods and challenges,” IEEE Transactions on Knowledge and Data Engineering, 2020. 18] D. A. Tedjopurnomo, Z. Bao, B. Zheng, F. Choudhury, A. Qin, “交通予測のための現代のディープニューラルネットワークに関する調査:トレンド、方法、課題”、IEEE Transactions on Knowledge and Data Engineering, 2020。 0.84
[19] V. Varghese, M. Chikaraishi, and J. Urata, “Deep learning in transport studies: A meta-analysis on the prediction accuracy,” Journal of Big Data Analytics in Transportation, pp. 19] V. Varghese, M. Chikaraishi, and J. Urata, "Deep Learning in transport study: A meta-analysis on the predict accuracy", Journal of Big Data Analytics in Transportation, pp。 0.88
1–22, 2020. 1–22, 2020. 0.84
[20] Q. Zhang, Q. Jin, J. Chang, S. Xiang, and C. Pan, “Kernel-weighted graph convolutional network: A deep learning approach for traffic forecasting,” in 2018 24th International Conference on Pattern Recognition (ICPR). 第24回パターン認識国際会議(icpr)において,[20] q. zhang, q. jin, j. chang, s. xiang, c. pan, “kernel-weighted graph convolutional network: a deep learning approach for traffic forecasting” が開催された。 0.82
IEEE, 2018, pp. IEEE, 2018, pp。 0.82
1018–1023. 1018–1023. 0.71
[21] L. Wei, Z. Yu, Z. Jin, L. Xie, J. Huang, D. Cai, X. [21]L. Wei,Z. Yu,Z. Jin,L. Xie,J. Huang,D. Cai,X 0.90
He, and X.-S. Hua, とX.S. Hua。 0.75
“Dual graph for traffic forecasting,” IEEE Access, 2019. ieee access, 2019"dual graph for traffic forecasting"を参照。 0.75
[22] D. Xu, C. Wei, P. Peng, Q. Xuan, and H. Guo, “Ge-gan: A novel deep learning framework for road traffic state estimation,” Transportation Research Part C: Emerging Technologies, vol. 22] D. Xu, C. Wei, P. Peng, Q. Xuan, H. Guo, "Ge-gan: A novel Deep Learning framework for Road Traffic State estimate", 交通研究部 C: Emerging Technologies, vol.2 。 0.90
117, p. 102635, 2020. 117, p. 102635, 2020。 0.90
[23] K. Guo, Y. Hu, Z. Qian, H. Liu, K. Zhang, Y. 23] K.Guo、Y.Hu、Z.Qian、H.Liu、K.Zhang、Y。 0.76
Sun, J. Gao, and B. Yin, “Optimized graph convolution recurrent neural network for traffic prediction,” IEEE Transactions on Intelligent Transportation Systems, 2020. Sun, J. Gao, B. Yin, “Optimized graph convolution recurrent neural network for traffic prediction”, IEEE Transactions on Intelligent Transportation Systems, 2020。 0.82
[24] C. Zheng, X. [24] c. zheng, x. 0.82
Fan, C. Wang, and J. Qi, “Gman: A graph multi-attention network for traffic prediction,” in Proceedings of the AAAI Conference on Artificial Intelligence, vol. Fan, C. Wang, J. Qi, “Gman: A graph multi-attention network for traffic prediction” in Proceedings on the AAAI Conference on Artificial Intelligence, vol.”. 原文(投稿日:2012/01/28) 0.74
34, 2020. [25] Z. Pan, W. Zhang, Y. Liang, W. Zhang, Y. Yu, J. Zhang, and Y. Zheng, “Spatio-temporal meta learning for urban traffic prediction,” IEEE Transactions on Knowledge and Data Engineering, 2020. 34, 2020. [25] Z. Pan, W. Zhang, Y. Liang, W. Zhang, Y. Yu, J. Zhang, Y. Zheng, “Spatio-temporal meta learning for urban traffic prediction”, IEEE Transactions on Knowledge and Data Engineering, 2020。 0.90
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
14 [26] Z. Pan, Y. Liang, W. Wang, Y. Yu, Y. Zheng, and J. Zhang, “Urban traffic prediction from spatio-temporal data using deep meta learning,” in Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2019, pp. 14 926] Z. Pan, Y. Liang, W. Wang, Y. Yu, Y. Zheng, J. Zhang, “Urban traffic prediction from spatio-temporal data using Deep Meta learning” in Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2019, pp. 0.87
1720–1730. 1720–1730. 0.71
[27] M. Lu, K. Zhang, H. Liu, and N. Xiong, “Graph hierarchical convolutional recurrent neural network (ghcrnn) for vehicle condition prediction,” arXiv preprint arXiv:1903.06261, 2019. 27] M. Lu, K. Zhang, H. Liu, N. Xiong, "Graph hierarchical Convolutional Recurrent neural Network (ghcrnn) for vehicle condition predict" arXiv preprint arXiv:1903.06261, 2019。 0.92
[28] T. Mallick, P. Balaprakash, E. Rask, and J. Macfarlane, “Graphpartitioning-ba sed diffusion convolution recurrent neural network for large-scale traffic forecasting,” Transportation Research Record, p. 0361198120930010, 2020. [28] T. Mallick, P. Balaprakash, E. Rask, J. Macfarlane, "Graphpartitioning-ba sed spread convolution recurrent neural network for large-scale traffic forecasting", Transportation Research Record, p.0361198120930010, 2020。 0.94
[29] Y. Zhang, T. Cheng, Y. Ren, and K. Xie, “A novel residual graph convolution deep learning model for short-term network-based traffic forecasting,” International Journal of Geographical Information Science, vol. Y.Zhang, T. Cheng, Y. Ren, K. Xie, “短期的なネットワークベースの交通予測のための新しい残差グラフ畳み込みディープラーニングモデル”, International Journal of Geographical Information Science, vol。 0.83
34, no. 5, pp. 34、いいえ。 5, pp。 0.77
969–995, 2020. 969–995, 2020. 0.84
[30] Y. Zhang, M. Lu, and H. Li, “Urban traffic flow forecast based on [30]y. zhang, m. lu, h. li, 「都市交通の流れ予測」 0.74
fastgcrnn,” Journal of Advanced Transportation, vol. とjournal of advanced transportation, vol. は述べている。 0.63
2020, 2020. 2020, 2020. 0.85
[31] L. Bai, L. Yao, C. Li, X. Wang, and C. Wang, “Adaptive graph convolutional recurrent network for traffic forecasting,” in Advances in Neural Information Processing Systems, 2020. He31] L. Bai, L. Yao, C. Li, X. Wang, C. Wang, “Adaptive graph convolutional recurrent network for traffic forecasting” in Advances in Neural Information Processing Systems, 2020。 0.89
[32] S. Fang, Q. Zhang, G. Meng, S. Xiang, and C. Pan, “Gstnet: Global spatial-temporal network for traffic flow prediction,” in Proceedings the Twenty-Eighth International Joint Conference on Artificial of Intelligence, IJCAI-19. 32] S. Fang, Q. Zhang, G. Meng, S. Xiang, and C. Pan, "Gstnet: Global space-temporal network for traffic flow predict" (Proceedings the Twenty-Eighth International Joint Conference on Artificial of Intelligence, IJCAI-19) 0.94
International Joint Conferences on Artificial Intelligence Organization, 7 2019, pp. International Joint Conferences on Artificial Intelligence Organization, 7 2019, pp. 0.85
2286–2293. 2286–2293. 0.71
[Online]. Available: https://doi.org/10.2 4963/ijcai.2019/317 [オンライン] https://doi.org/10.2 4963/ijcai.2019/317 0.51
[33] R. Huang, C. Huang, Y. Liu, G. Dai, and W. Kong, “Lsgcn: Long short-term traffic prediction with graph convolutional networks,” in Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence, IJCAI-20, C. Bessiere, Ed. R. Huang, C. Huang, Y. Liu, G. Dai, W. Kong, “Lsgcn: Long short-term traffic prediction with graph convolutional network” in Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence, IJCAI-20, C. Bessiere, Ed 0.90
International Joint Conferences on Artificial Intelligence Organization, 7 2020, pp. International Joint Conferences on Artificial Intelligence Organization, 7 2020, pp. 0.85
2355–2361, main track. 2355-2361、本線。 0.58
[Online]. Available: https://doi.org/10.2 4963/ ijcai.2020/326 [オンライン] https://doi.org/10.2 4963/ ijcai.2020/326 0.53
[34] X. Wang, C. Chen, Y. Min, J. [34] X. Wang, C. Chen, Y. Min, J. 0.98
He, B. Yang, and Y. Zhang, “Efficient metropolitan traffic prediction based on graph recurrent neural network,” arXiv preprint arXiv:1811.00740, 2018. He, B. Yang, and Y. Zhang, “Efficient Metropolitan traffic prediction based based on graph recurrent neural network” arXiv preprint arXiv:1811.00740, 2018。 0.95
[35] Q. Zhang, J. Chang, G. Meng, S. Xiang, and C. Pan, “Spatio-temporal graph structure learning for traffic forecasting,” in Proceedings of the AAAI Conference on Artificial Intelligence, vol. Q. Zhang, J. Chang, G. Meng, S. Xiang, C. Pan, “Spatio-temporal graph structure learning for traffic forecasting” in Proceedings on the AAAI Conference on Artificial Intelligence, vol。 0.82
34, 2020. [36] C. Song, Y. Lin, S. Guo, and H. Wan, “Spatial-temporal synchronous graph convolutional networks: A new framework for spatial-temporal network data forecasting,” in Proceedings of the AAAI Conference on Artificial Intelligence, vol. 34, 2020. 36] c. song, y. lin, s. guo, h. wan, “spatial-temporal synchronous graph convolutional networks: a new framework for spatial-temporal network data forecasting” in the proceedings of the aaai conference on artificial intelligence, vol. 0.87
34, 2020. [37] M. Xu, W. Dai, C. Liu, X. Gao, W. Lin, G.-J. 34, 2020. [37]Xu, W. Dai, C. Liu, X. Gao, W. Lin, G.-J. 0.88
Qi, and H. Xiong, “Spatial-temporal transformer networks for traffic flow forecasting,” arXiv preprint arXiv:2001.02908, 2020. Qi, and H. Xiong, “Spatial-temporal transformer network for traffic flow forecasting” arXiv preprint arXiv:2001.02908, 2020。 0.91
[38] X. Wang, Y. Ma, Y. Wang, W. Jin, X. Wang, J. Tang, C. Jia, and J. Yu, “Traffic flow prediction via spatial temporal graph neural network,” in Proceedings of The Web Conference 2020, ser. 38] X. Wang, Y. Ma, Y. Wang, W. Jin, X. Wang, J. Tang, C. Jia, and J. Yu, "Traffic flow prediction via space temporal graph neural network" (Web Conference 2020のProceedingsに掲載されました。 0.92
WWW ’20. New York, NY, USA: Association for Computing Machinery, 2020, p. 1082–1092. WWW’20。 New York, NY, USA: Association for Computing Machinery, 2020, pp. 1082–1092。 0.87
[Online]. Available: https://doi.org/10.1 145/3366423.3380186 [オンライン] https://doi.org/10.1 145/3366423.3380186 0.52
[39] L. Chen, K. Han, Q. Yin, and Z. Cao, “Gdcrn: Global diffusion convolutional residual network for traffic flow prediction,” in International Conference on Knowledge Science, Engineering and Management. 39] L. Chen, K. Han, Q. Yin, and Z. Cao, “Gdcrn: Global Diffusion Convolutional Resid Network for Traffic Flow prediction” が国際知識科学・工学・経営会議で発表されました。 0.90
Springer, 2020, pp. スプリンガー、2020年、p。 0.56
438–449. [40] M. Lv, Z. Hong, L. Chen, T. Chen, T. Zhu, and S. Ji, “Temporal multi-graph convolutional network for traffic flow prediction,” IEEE Transactions on Intelligent Transportation Systems, 2020. 438–449. M.Lv, Z. Hong, L. Chen, T. Chen, T. Zhu, S. Ji, “Temporal multi-graph convolutional network for traffic flow prediction”, IEEE Transactions on Intelligent Transportation Systems, 2020 0.77
[41] X. Kong, W. Xing, X. Wei, P. Bao, J. Zhang, and W. Lu, “Stgat: Spatialtemporal graph attention networks for traffic flow forecasting,” IEEE Access, 2020. 41] X. Kong, W. Xing, X. Wei, P. Bao, J. Zhang, W. Lu, “Stgat: Spatialtemporal graph attention network for traffic flow forecasting” IEEE Access, 2020。 0.87
[42] S. Fukuda, H. Uchida, H. Fujii, and T. Yamada, “Short-term prediction of traffic flow under incident conditions using graph convolutional recurrent neural network and traffic simulation,” IET Intelligent Transport Systems, 2020. IET Intelligent Transport Systems, 2020。[42]S. Fukuda, H. Uchida, H. Fujii, T. Yamada, “Graph Convolutional Recurrent Neural Network and Traffic Simulation, IET Intelligent Transport Systems, 2020”。 0.66
[43] T. Zhang and G. Guo, “Graph attention lstm: A spatio-temperal approach for traffic flow forecasting,” IEEE Intelligent Transportation Systems Magazine, 2020. 43] T. Zhang and G. Guo, “Graph attention lstm: A spatio-temperal approach for traffic flow forecasting” IEEE Intelligent Transportation Systems Magazine, 2020。 0.88
[44] A. Boukerche and J. Wang, “A performance modeling and analysis of a novel vehicular traffic flow prediction system using a hybrid machine learning-based model,” Ad Hoc Networks, 2020. 44] A. BoukercheとJ. Wangは、「ハイブリッド機械学習ベースのモデルを用いた新しい車両交通フロー予測システムのパフォーマンスモデリングと分析」、アドホックネットワークズ、2020年。 0.76
[45] C. Tang, J. [45]C. Tang, J。 0.85
Sun, Y. Sun, M. Peng, and N. Gan, “A general traffic flow prediction approach based on spatial-temporal graph attention,” IEEE Access, vol. 太陽、Y。 Sun, M. Peng, N. Gan, “A general traffic flow prediction approach based on space-temporal graph attention”, IEEE Access, vol。 0.77
8, pp. 153 731–153 741, 2020. 8, pp。 153 731–153 741, 2020. 0.86
[46] Z. Kang, H. Xu, J. Hu, and X. Pei, “Learning dynamic graph embedding for traffic flow forecasting: A graph self-attentive method,” [46]Z.Kang, H. Xu, J. Hu, X. Pei, “Learning dynamic graph embedded for traffic flow forecasting: A graph self-attentive method” 0.92
in 2019 IEEE Intelligent Transportation Systems Conference (ITSC). 2019年、IEEE Intelligent Transportation Systems Conference (ITSC)。 0.78
IEEE, 2019, pp. IEEE, 2019, pp。 0.83
2570–2576. 2570–2576. 0.71
[47] S. Guo, Y. Lin, N. Feng, C. Song, and H. Wan, “Attention based spatialtemporal graph convolutional networks for traffic flow forecasting,” in Proceedings of the AAAI Conference on Artificial Intelligence, vol. 47] S. Guo, Y. Lin, N. Feng, C. Song, H. Wan, "Attention based spacetemporal graph convolutional network for traffic flow forecasting" in Proceedings of the AAAI Conference on Artificial Intelligence, vol。 0.85
33, 2019, pp. 33, 2019, pp。 0.82
922–929. [48] Z. Li, G. Xiong, Y. Chen, Y. Lv, B. Hu, F. Zhu, and F.-Y. 922–929. [48] Z. Li、G. Xiong、Y. Chen、Y.Lv、B. Hu、F. Zhu、F.Y。
訳抜け防止モード: 922–929. [48 ]Z.Li,G.Xiong,Y. Chen, Y.Lv , B. Hu , F. Zhu , F.-Y
0.80
Wang, “A hybrid deep learning approach with gcn and lstm for traffic flow prediction,” in 2019 IEEE Intelligent Transportation Systems Conference (ITSC). wang, “a hybrid deep learning approach with gcn and lstm for traffic flow prediction” 2019 ieee intelligent transportation systems conference (itsc)で発表された。 0.77
IEEE, 2019, pp. IEEE, 2019, pp。 0.83
1929–1933. 1929–1933. 0.71
[49] D. Xu, H. Dai, Y. Wang, P. Peng, Q. Xuan, and H. Guo, “Road traffic state prediction based on a graph embedding recurrent neural network under the scats,” Chaos: An Interdisciplinary Journal of Nonlinear Science, vol. 49] D. Xu, H. Dai, Y. Wang, P. Peng, Q. Xuan, H. Guo, "Road traffic state prediction based on a graph embeddedding recurrent neural network under the scats" Chaos: An Interdicical Journal of Nonlinear Science, vol. . . 0.90
29, no. 10, p. 103125, 2019. 29、いいえ。 10, p. 103125, 2019。 0.82
[50] Y. Zhang, T. Cheng, and Y. Ren, “A graph deep learning method for short-term traffic forecasting on large road networks,” Computer-Aided Civil and Infrastructure Engineering, vol. 50] y. zhang, t. cheng, y. ren, “大規模道路網における短期交通予測のためのグラフ深層学習法”, computer-assisted civil and infrastructure engineering, vol. 0.86
34, no. 10, pp. 34、いいえ。 10, pp。 0.78
877–896, 2019. 877–896, 2019. 0.84
[51] T. Wu, F. Chen, and Y. Wan, “Graph attention lstm network: A new model for traffic flow forecasting,” in 2018 5th International Conference on Information Science and Control Engineering (ICISCE). 第5回情報科学制御工学国際会議(icisce)において,[51] t. wu, f. chen, y. wan, “graph attention lstm network: a new model for traffic flow forecasting” が開催された。 0.84
IEEE, 2018, pp. IEEE, 2018, pp。 0.82
241–245. [52] X. 241–245. [52]x。 0.72
Sun, J. Li, Z. Lv, and C. Dong, “Traffic flow prediction model based on spatio-temporal dilated graph convolution,” KSII Transactions on Internet & Information Systems, vol. Sun, J. Li, Z. Lv, C. Dong, “Traffic flow prediction model based on spatio-temporal dilated graph convolution”, KSII Transactions on Internet & Information Systems, vol. の略。 0.95
14, no. 9, 2020. 14だ 9, 2020. 0.61
[53] C. Wei and J. Sheng, “Spatial-temporal graph attention networks for traffic flow forecasting,” in IOP Conference Series: Earth and Environmental Science, vol. [53]C. Wei, J. Sheng, “Spatial-temporal graph attention network for traffic flow forecasting” in IOP Conference Series: Earth and Environmental Science, vol。 0.89
587, no. 1. IOP Publishing, 2020, p. 012065. 587年。 1. IOP Publishing, 2020, p. 012065。 0.75
[54] Z. Li, G. Xiong, Y. Tian, Y. Lv, Y. Chen, P. Hui, and X. Su, “A multi-stream feature fusion approach for traffic prediction,” IEEE Transactions on Intelligent Transportation Systems, 2020. 54] Z. Li, G. Xiong, Y. Tian, Y. Lv, Y. Chen, P. Hui, X. Su, “交通予測のためのマルチストリーム機能融合アプローチ”, IEEE Transactions on Intelligent Transportation Systems, 2020。 0.90
[55] D. Cao, Y. Wang, J. Duan, C. Zhang, X. Zhu, C. Huang, Y. Tong, B. Xu, J. Bai, J. Tong et al., “Spectral temporal graph neural network for multivariate time-series forecasting,” Advances in Neural Information Processing Systems, vol. D. Cao, Y. Wang, J. Duan, C. Zhang, X. Zhu, C. Huang, Y. Tong, B. Xu, J. Bai, J. Tong et al., “Spectral temporal graph neural network for multivarate time-series forecasting”, Advances in Neural Information Processing Systems, Vol. 0.94
33, 2020. [56] B. Yu, H. Yin, and Z. Zhu, “Spatio-temporal graph convolutional networks: A deep learning framework for traffic forecasting,” in Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence, IJCAI-18. 33, 2020. 56] B. Yu, H. Yin, Z. Zhu, "Spatio-temporal graph convolutional network: a Deep Learning framework for traffic forecasting" in Proceedings of the 20wenty-Seventh International Joint Conference on Artificial Intelligence, IJCAI-18。 0.88
International Joint Conferences on Artificial Intelligence Organization, 7 2018, pp. International Joint Conferences on Artificial Intelligence Organization, 7 2018, pp. 0.85
3634–3640. 3634–3640. 0.71
[Online]. Available: https://doi.org/10.2 4963/ijcai.2018/505 [オンライン] https://doi.org/10.2 4963/ijcai.2018/505 0.51
[57] ——, “St-unet: A spatio-temporal u-network for graph-structured time [57]———「St-unet:グラフ構造時間のための時空間u-network」 0.81
series modeling,” arXiv preprint arXiv:1903.05631, 2019. シリーズモデリング」 arXiv preprint arXiv:1903.05631, 2019。 0.87
[58] W. Li, X. Wang, Y. Zhang, and Q. Wu, “Traffic flow prediction over muti-sensor data correlation with graph convolution network,” Neurocomputing, 2020. 58] W. Li, X. Wang, Y. Zhang, Q. Wu, “Traffic flow prediction over muti-sensor data correlation with graph convolution network”, NeuroCompputing, 2020。 0.88
[59] X. Yin, G. Wu, J. Wei, Y. Shen, H. Qi, and B. Yin, “Multi-stage attention spatial-temporal graph networks for traffic prediction,” Neurocomputing, 2020. 59] X. Yin, G. Wu, J. Wei, Y. Shen, H. Qi, B. Yin, “Multi-stage attention space-temporal graph network for traffic prediction”,Neurocomputing, 2020。 0.91
[60] X. Chen, Y. Zhang, L. Du, Z. Fang, Y. Ren, K. Bian, and K. Xie, “Tssrgcn: Temporal spectral spatial retrieval graph convolutional network for traffic flow forecasting,” in 2020 IEEE International Conference on Data Mining (ICDM). [60] X. Chen, Y. Zhang, L. Du, Z. Fang, Y. Ren, K. Bian, K. Xie, “Tssrgcn: トラフィックフロー予測のための時間空間空間探索グラフ畳み込みネットワーク” IEEE International Conference on Data Mining (ICDM) は2020年に開催された。 0.83
IEEE, 2020. IEEE、2020年。 0.90
[61] H. Zhang, J. Liu, Y. Tang, and G. Xiong, “Attention based graph covolution networks for intelligent traffic flow analysis,” in 2020 IEEE 16th International Conference on Automation Science and Engineering (CASE). 61] H. Zhang, J. Liu, Y. Tang, G. Xiong, “Attention based graph covolution network for Intel traffic flow analysis” in 2020 IEEE 16th International Conference on Automation Science and Engineering (CASE)。 0.84
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
558–563. [62] C. Wang, K. Zhang, H. Wang, and B. Chen, “Auto-stgcn: Autonomous spatial-temporal graph convolutional network search based on relearning and existing research results,” arXiv preprint inforcement arXiv:2010.07474, 2020. 558–563. C. Wang, K. Zhang, H. Wang, B. Chen, “Auto-stgcn: autonomous spatial-temporal graph convolutional network search based on relearning and existing research results”. arXiv preprint inforcement arXiv:2010.07474, 2020. 0.82
[63] Y. Xin, D. Miao, M. Zhu, C. Jin, and X. Lu, “Internet: Multistep traffic forecasting by interacting spatial and temporal features,” in Proceedings of the 29th ACM International Conference on Information & Knowledge Management, 2020, pp. 第29回ACM International Conference on Information & Knowledge Management, 2020, ppのProceedingsで、Y. Xin, D. Miao, M. Zhu, C. Jin, and X. Lu, “Internet: Multistep traffic forecasting by interacting space and temporal features” と題しています。 0.86
3477–3480. 3477–3480. 0.71
[64] Y. Qu, Y. Zhu, T. Zang, Y. Xu, and J. Yu, “Modeling local and global flow aggregation for traffic flow forecasting,” in International Conference on Web Information Systems Engineering. [64] Y.Qu, Y. Zhu, T. Zang, Y. Xu, J. Yuは、Web情報システムエンジニアリングに関する国際会議で、「トラフィックフロー予測のためのローカルおよびグローバルフローアグリゲーションをモデル化する」と述べた。 0.79
Springer, 2020, pp. スプリンガー、2020年、p。 0.56
414–429. [65] F. Wang, J. Xu, C. Liu, R. Zhou, and P. Zhao, “Mtgcn: A multitask deep learning model for traffic flow prediction,” in International Conference on Database Systems for Advanced Applications. 414–429. 65] F. Wang, J. Xu, C. Liu, R. Zhou, P. Zhao, “Mtgcn: a multitask Deep Learning model for traffic flow predict” は、International Conference on Database Systems for Advanced Applications で発表された。 0.82
Springer, 2020, pp. スプリンガー、2020年、p。 0.56
435–451. [66] Y. Xie, Y. Xiong, and Y. Zhu, “Sast-gnn: A self-attention based spatiotemporal graph neural network for traffic prediction,” in International 435–451. 66] Y. Xie, Y. Xiong, Y. Zhu, "Sast-gnn: a self-attention based spatiooral graph neural network for traffic predict" in International (英語) 0.80
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
15 Conference on Database Systems for Advanced Applications. 15 先端アプリケーションのためのデータベースシステムに関する会議 0.83
Springer, 2020, pp. スプリンガー、2020年、p。 0.56
707–714. [67] Y. Huang, S. Zhang, J. Wen, and X. Chen, “Short-term traffic flow prediction based on graph convolutional network embedded lstm,” in International Conference on Transportation and Development 2020. 707–714. Y. Huang氏, S. Zhang氏, J. Wen氏, X. Chen氏は, International Conference on Transportation and Development 2020で,“グラフ畳み込みネットワーク組み込みlstmに基づく短期トラフィックフロー予測”を行った。 0.76
American Society of Civil Engineers Reston, VA, 2020, pp. American Society of Civil Engineers Reston, VA, 2020, pp。 0.83
159–168. [68] K. Guo, Y. Hu, Z. Qian, Y. 159–168. [68]K.Guo,Y. Hu,Z.Qian,Y。 0.74
Sun, J. Gao, and B. Yin, “Dynamic graph convolution network for traffic forecasting based on latent network of laplace matrix estimation,” IEEE Transactions on Intelligent Transportation Systems, 2020. Sun, J. Gao, B. Yin, “Dynamic graph convolution network for traffic forecasting based on latent network of laplace matrix Estimation”. IEEE Transactions on Intelligent Transportation Systems, 2020. 0.86
[69] X. Zhang, C. Huang, Y. Xu, and L. Xia, “Spatial-temporal convolutional graph attention networks for citywide traffic flow forecasting,” in Proceedings of the 29th ACM International Conference on Information & Knowledge Management, 2020, pp. 第29回ACM International Conference on Information & Knowledge Management, 2020, ppのProceedingsで, X. Zhang, C. Huang, Y. Xu, L. Xia, "Spatial-temporal convolutional graph attention network for citywide traffic flow forecasting" が発表された。 0.90
1853–1862. 1853–1862. 0.71
[70] S. Fang, X. Pan, S. Xiang, and C. Pan, “Meta-msnet: Meta-learning based multi-source data fusion for traffic flow prediction,” IEEE Signal Processing Letters, 2020. 70] S. Fang, X. Pan, S. Xiang, C. Pan, “Meta-msnet: Meta-learning based multi-source data fusion for traffic flow predict” IEEE Signal Processing Letters, 2020。 0.94
[71] L. Mengzhang and Z. Zhanxing, “Spatial-temporal fusion graph neural networks for traffic flow forecasting,” arXiv preprint arXiv:2012.09641, 2020. 71] L. Mengzhang and Z. Zhanxing, “Spatial-temporal fusion graph neural networks for traffic flow forecasting” arXiv preprint arXiv:2012.09641, 2020。 0.95
[87] G. Yeghikyan, F. L. Opolka, M. Nanni, B. Lepri, and P. Li`o, “Learning mobility flows from urban features with spatial interaction models and neural networks,” in 2020 IEEE International Conference on Smart Computing (SMARTCOMP). G. Yeghikyan, F. L. Opolka, M. Nanni, B. Lepri, P. Li`o, “Learning Mobility Flow from urban features with space interaction model and neural networks” in 2020 IEEE International Conference on Smart Computing (SMARTCOMP)。 0.80
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
57–64. [88] H. Shi, Q. Yao, Q. Guo, Y. Li, L. Zhang, J. Ye, Y. Li, and Y. Liu, “Predicting origin-destination flow via multi-perspective graph convolutional network,” in 2020 IEEE 36th International Conference on Data Engineering (ICDE). 57–64. 関連スポンサーコンテンツ [88] h. shi, q. yao, q. guo, y. li, l. zhang, j. ye, y. li, y. liu, “predicting origin-destination flow via multi-perspective graph convolutional network” 2020 ieee 36th international conference on data engineering (icde) 0.72
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
1818–1821. 1818–1821. 0.71
[89] Y. Wang, D. Xu, P. Peng, Q. Xuan, and G. Zhang, “An urban commuters’ od hybrid prediction method based on big gps data,” Chaos: An Interdisciplinary Journal of Nonlinear Science, vol. 89] y. wang, d. xu, p. peng, q. xuan, g. zhang, “a urban commuters’ od hybrid prediction method based based on big gps data” chaos: a interdisciplinary journal of nonlinear science, vol.)。 0.79
30, no. 9, p. 093128, 2020. 30だ 9, p.093128, 2020。 0.65
[90] Y. Wang, H. Yin, H. Chen, T. Wo, J. Xu, and K. Zheng, “Origindestination matrix prediction via graph convolution: a new perspective of passenger demand modeling,” in Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2019, pp. Y. Wang, H. Yin, H. Chen, T. Wo, J. Xu, K. Zheng, “Origindestination matrix prediction via graph convolution: a new perspective of passenger demand modeling” in Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2019, pp. 0.85
1227–1235. 1227–1235. 0.71
[91] Y. Ren and K. Xie, “Transfer knowledge between sub-regions for traffic prediction using deep learning method,” in International Conference on Intelligent Data Engineering and Automated Learning. Y. Ren, K. Xie, “Transfer knowledge between sub-reas for traffic prediction using Deep Learning method” in International Conference on Intelligent Data Engineering and Automated Learning。
訳抜け防止モード: 91 ] Y. Ren, K. Xie, “Deep Learning Method を用いた交通予測のためのサブリージョン間の知識伝達” In International Conference on Intelligent Data Engineering and Automated Learning
0.88
Springer, 2019, pp. Springer、2019、pp。 0.64
208–219. [92] J. Li, H. Peng, L. Liu, G. Xiong, B. 208–219. [92] J. Li, H. Peng, L. Liu, G. Xiong, B. 0.83
Du, H. Ma, L. Wang, and M. Z. Du, H. Ma, L. Wang, M. Z。 0.91
A. Bhuiyan, “Graph cnns for urban traffic passenger flows prediction,” in 2018 IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computing, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation (SmartWorld/SCALCOM/ UIC/ATC/CBDCom/IOP/S CI). A. Bhuiyan, “Graph cnns for urban traffic passenger flow prediction” in 2018 IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computing, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation (SmartWorld/SCALCOM/ UIC/ATC/CBDCom/IOP/S CI)。 0.93
IEEE, 2018, pp. IEEE, 2018, pp。 0.82
29–36. [93] B. Zhao, X. Gao, J. Liu, J. Zhao, and C. Xu, “Spatiotemporal data fusion in graph convolutional networks for traffic prediction,” IEEE Access, 2020. 29–36. 93] B. Zhao, X. Gao, J. Liu, J. Zhao, C. Xu, “トラフィック予測のためのグラフ畳み込みネットワークにおける時空間データ融合” IEEE Access, 2020。 0.80
[94] Y. Han, S. Wang, Y. Ren, C. Wang, P. Gao, and G. Chen, “Predicting station-level short-term passenger flow in a citywide metro network using spatiotemporal graph convolutional neural networks,” ISPRS International Journal of Geo-Information, vol. ISPRS International Journal of Geo-Information, vol.[94] Y. Han, S. Wang, Y. Ren, C. Wang, P. Gao, G. Chen, “時空間グラフ畳み込みニューラルネットワークによる都市全体の短期的短期的旅客フローの予測”。 0.88
8, no. 6, p. 243, 2019. 8、いいえ。 6 pp. 243, 2019。 0.75
[95] J. Zhang, F. Chen, Z. Cui, Y. Guo, and Y. Zhu, “Deep learning architecture for short-term passenger flow forecasting in urban rail transit,” IEEE Transactions on Intelligent Transportation Systems, 2020. 95] J. Zhang, F. Chen, Z. Cui, Y. Guo, Y. Zhu, “都市鉄道輸送における短期旅客フロー予測のためのディープラーニングアーキテクチャ” IEEE Transactions on Intelligent Transportation Systems, 2020。 0.88
[96] J. Zhang, F. Chen, and Y. Guo, “Multi-graph convolutional network for short-term passenger flow forecasting in urban rail transit,” IET Intelligent Transport Systems, 2020. J.Zhang, F. Chen, Y. Guo, “Multi-graph convolutional network for short-term passenger flow forecasting in urban rail transit”. IET Intelligent Transport Systems, 2020 0.83
[97] Z. Li, N. D. Sergin, H. Yan, C. Zhang, and F. Tsung, “Tensor completion for weakly-dependent data on graph for metro passenger flow prediction,” in Proceedings of the AAAI Conference on Artificial Intelligence, vol. 97] Z. Li, N. D. Sergin, H. Yan, C. Zhang, F. Tsung, "Tensor completion for weak-dependent data on graph for Metro passenger flow predict" in Proceedings of the AAAI Conference on Artificial Intelligence, vol.1 (英語) 0.92
34, 2020. [98] L. Liu, J. Chen, H. Wu, J. Zhen, G. Li, and L. Lin, “Physical-virtual collaboration modeling for intra-and inter-station metro ridership prediction,” IEEE Transactions on Intelligent Transportation Systems, 2020. 34, 2020. 98] L. Liu, J. Chen, H. Wu, J. Zhen, G. Li, and L. Lin, "Physical-virtual collaboration model for intra- and-station Metro ridership predict", IEEE Transactions on Intelligent Transportation Systems, 2020。 0.89
[99] J. Ye, J. Zhao, K. Ye, and C. Xu, “Multi-stgcnet: A graph convolution based spatial-temporal framework for subway passenger flow forecasting,” in 2020 International Joint Conference on Neural Networks (IJCNN). 99] J. Ye, J. Zhao, K. Ye, C. Xu, "Multi-stgcnet: A graph convolution based space-temporal framework for subway passenger flow forecasting" 2020 International Joint Conference on Neural Networks (IJCNN)。 0.86
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
1–8. [100] J. Ou, J. 1–8. [100] J. Ou, J. 0.83
Sun, Y. Zhu, H. Jin, Y. Liu, F. Zhang, J. Huang, and X. Wang, “Stp-trellisnets: Spatial-temporal parallel trellisnets for metro station passenger flow prediction,” in Proceedings of the 29th ACM International Conference on Information & Knowledge Management, 2020, pp. Sun, Y. Zhu, H. Jin, Y. Liu, F. Zhang, J. Huang, X. Wang, “Stp-trellisnets: spatial-temporal parallel trellisnets for metro station passenger flow prediction” in Proceedings of the 29th ACM International Conference on Information & Knowledge Management, 2020, pp. 0.98
1185–1194. 1185–1194. 0.71
[101] H. Zhu, Y. Luo, Q. Liu, H. Fan, T. Song, C. W. Yu, and B. 101] H. Zhu、Y. Luo、Q. Liu、H. Fan、T. Song、C.W. Yu、B。 0.90
Du, “Multistep flow prediction on car-sharing systems: A multi-graph convolutional neural network with attention mechanism,” International Journal of Software Engineering and Knowledge Engineering, vol. international journal of software engineering and knowledge engineering, vol. “multistep flow prediction on car-sharing systems: a multi-graph convolutional neural network with attention mechanism” (英語) 0.85
29, no. 11n12, pp. 29、いいえ。 11n12, pp。 0.75
1727–1740, 2019. 1727–1740, 2019. 0.84
[102] S. He and K. G. Shin, “Towards fine-grained flow forecasting: A graph attention approach for bike sharing systems,” in Proceedings of The Web Conference 2020, ser. 102] S.HeとK.G.Shinは、Web Conference 2020のProceedingsで「きめ細かいフロー予測に向けて:自転車共有システムのためのグラフの注意のアプローチ」と述べています。 0.77
WWW ’20. New York, NY, USA: Association for Computing Machinery, 2020, p. 88–98. WWW’20。 New York, NY, USA: Association for Computing Machinery, 2020, pp. 88–98。 0.87
[Online]. Available: https://doi.org/10.1 145/3366423.3380097 [オンライン] https://doi.org/10.1 145/3366423.3380097 0.52
[103] D. Chai, L. Wang, and Q. Yang, “Bike flow prediction with multi-graph convolutional networks,” in Proceedings of the 26th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2018, pp. D. Chai, L. Wang, Q. Yang, “Bike flow prediction with multi-graph convolutional network” in Proceedings of the 26th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2018, pp. 0.82
397–400. [104] Y. 397–400. [104] Y。 0.73
He, Y. Zhao, H. Wang, and K. L. Tsui, “Gc-lstm: A deep spatiotemporal model for passenger flow forecasting of high-speed rail network,” in 2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC). he, y. zhao, h. wang, k. l. tsui, “gc-lstm: a deep spatiotemporal model for passenger flow forecasting of high-speed rail network” in 2020 ieee 23rd international conference on intelligent transportation systems (itsc) 0.83
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
1–6. [72] K. Tian, J. Guo, K. Ye, and C.-Z. 1–6. 72] K. Tian, J. Guo, K. Ye, C.-Z. 0.82
Xu, “St-mgat: Spatial-temporal multihead graph attention networks for traffic forecasting,” in 2020 IEEE 32nd International Conference on Tools with Artificial Intelligence (ICTAI). Xu, “St-mgat: Spatial-temporal multihead graph attention network for traffic forecasting” in 2020 IEEE 32nd International Conference on Tools with Artificial Intelligence (ICTAI)”。 0.93
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
714–721. [73] X. Xu, H. Zheng, X. Feng, and Y. Chen, “Traffic flow forecasting with spatial-temporal graph convolutional networks in edge-computing systems,” in 2020 International Conference on Wireless Communications and Signal Processing (WCSP). 714–721. 73] Xu, H. Zheng, X. Feng, Y. Chen, “Traffic flow forecasting with spatial-temporal graph convolutional network in edge-computing systems” in 2020 International Conference on Wireless Communications and Signal Processing (WCSP)。 0.79
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
251–256. [74] J. Chen, S. Liao, J. Hou, K. Wang, and J. Wen, “Gst-gcn: A geographicsemantic-t emporal graph convolutional network for context-aware traffic flow prediction on graph sequences,” in 2020 IEEE International Conference on Systems, Man, and Cybernetics (SMC). 251–256. J. Chen, S. Liao, J. Hou, K. Wang, J. Wen, “Gst-gcn: A Geographicsemantic-t emporal graph convolutional network for context-aware traffic flow prediction on graph sequences” in 2020 IEEE International Conference on Systems, Man, and Cybernetics (SMC)。 0.79
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
1604–1609. 1604–1609. 0.71
[75] X. Xiong, K. Ozbay, L. Jin, and C. Feng, “Dynamic origin–destination matrix prediction with line graph neural networks and kalman filter,” Transportation Research Record, p. 0361198120919399, 2020. [75] Xiong, K. Ozbay, L. Jin, C. Feng, “Dynamic origin-detination matrix prediction with line graph neural network and kalman filter”, Transportation Research Record, p. 0361 1981209 19399, 2020。 0.91
[76] A. Ramadan, A. Elbery, N. Zorba, and H. S. Hassanein, “Traffic forecasting using temporal line graph convolutional network: Case study,” in ICC 2020-2020 IEEE International Conference on Communications (ICC). 76] A. Ramadan, A. Elbery, N. Zorba, H. S. Hassanein, “Traffic forecasting using temporal line graph convolutional network: Case Study” in ICC 2020-2020 IEEE International Conference on Communications (ICC)。 0.88
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
1–6. [77] C. S. S´anchez, A. Wieder, P. Sottovia, S. Bortoli, J. Baumbach, and C. Axenie, “Gannster: Graph-augmented neural network spatiotemporal reasoner for traffic forecasting,” in International Workshop on Advanced Analysis and Learning on Temporal Data (AALTD). 1–6. [77]C.S.S.anchez, A. Wieder, P. Sottovia, S. Bortoli, J. Baumbach, C. Axenie, “Gannster: Graph-augmented Neural Network Spatiotemporal reasoner for traffic forecasting”. International Workshop on Advanced Analysis and Learning on Temporal Data (AALTD)に掲載されている。 0.78
Springer, 2020. スプリンガー、2020年。 0.59
[78] Q. Zhou, J.-J. [78] Q. Zhou, J.-J. 0.88
Gu, C. Ling, W.-B. Gu, C. Ling, W.-B。 0.82
Li, Y. Zhuang, and J. Wang, “Exploiting multiple correlations among urban regions for crowd flow prediction,” Journal of Computer Science and Technology, vol. Li、Y. Zhuang、J. Wangは、「群衆の流れ予測のための都市部間の複数の相関を探索する」と、Journal of Computer Science and Technology、vol。 0.67
35, pp. 338–352, 2020. 35, pp。 338–352, 2020. 0.82
[79] J. Sun, J. Zhang, Q. Li, X. Yi, Y. Liang, and Y. Zheng, “Predicting citywide crowd flows in irregular regions using multi-view graph convolutional networks,” IEEE Transactions on Knowledge and Data Engineering, pp. 79] J。 Sun, J. Zhang, Q. Li, X. Yi, Y. Liang, Y. Zheng氏は,“マルチビューグラフ畳み込みネットワークを用いた不規則領域における都市全体の群衆フロー予測”, IEEE Transactions on Knowledge and Data Engineering, pp。 0.74
1–1, 2020. 1–1, 2020. 0.84
[80] K. Chen, F. Chen, B. Lai, Z. Jin, Y. Liu, K. Li, L. Wei, P. Wang, Y. Tang, J. Huang et al., “Dynamic spatio-temporal graph-based cnns for traffic flow prediction,” IEEE Access, vol. 80] K. Chen, F. Chen, B. Lai, Z. Jin, Y. Liu, K. Li, L. Wei, P. Wang, Y. Tang, J. Huang et al., “トラフィックフロー予測のための動的時空間グラフベースのcnn”, IEEE Access, vol。 0.88
8, pp. 185 136–185 145, 2020. 8, pp。 185 136–185 145, 2020. 0.86
[81] B. Wang, X. Luo, F. Zhang, B. Yuan, A. L. Bertozzi, and P. J. Brantingham, “Graph-based deep modeling and real time forecasting of sparse spatio-temporal data,” arXiv preprint arXiv:1804.00684, 2018. B.Wang, X. Luo, F. Zhang, B. Yuan, A. L. Bertozzi, P. J. Brantingham, “グラフベースの深部モデリングとスパース時空間データのリアルタイム予測” arXiv preprint arXiv:1804.00684, 2018”。 0.87
[82] H. Peng, H. Wang, B. 82] H. Peng、H. Wang、B。 0.81
Du, M. Z. A. Bhuiyan, H. Ma, J. Liu, L. Wang, Z. Yang, L. Du, S. Wang et al., “Spatial temporal incidence dynamic graph neural networks for traffic flow forecasting,” Information Sciences, vol. M.Zさん。 A. Bhuiyan, H. Ma, J. Liu, L. Wang, Z. Yang, L. Du, S. Wang, al., “Spatial temporal Current dynamic graph Neural Network for traffic flow forecasting”, Information Sciences, Vol. 0.80
521, pp. 277–290, 2020. 521, pp。 277–290, 2020. 0.82
[83] X. Zhou, Y. Shen, and L. Huang, “Revisiting flow information for 83] X. Zhou, Y. Shen, L. Huang, “フロー情報を再訪する。 0.89
traffic prediction,” arXiv preprint arXiv:1906.00560, 2019. arXiv preprint arXiv:1906.00560, 2019。 0.74
[84] S. Wang, H. Miao, H. Chen, and Z. Huang, “Multi-task adversarial spatial-temporal networks for crowd flow prediction,” in Proceedings of the 29th ACM International Conference on Information & Knowledge Management, 2020, pp. S. Wang, H. Miao, H. Chen, Z. Huang, “Multi-task adversarial spatial-temporal network for crowd flow prediction” in Proceedings of the 29th ACM International Conference on Information & Knowledge Management, 2020, pp. 0.88
1555–1564. 1555–1564. 0.71
[85] H. Qiu, Q. Zheng, M. Msahli, G. Memmi, M. Qiu, and J. Lu, “Topological graph convolutional network-based urban traffic flow and density prediction,” IEEE Transactions on Intelligent Transportation Systems, 2020. 85] H. Qiu, Q. Zheng, M. Msahli, G. Memmi, M. Qiu, J. Lu, “Topological graph Convolutional Network-based Urban Traffic Flow and density prediction”, IEEE Transactions on Intelligent Transportation Systems, 2020。 0.90
[86] S. He and K. G. Shin, “Dynamic flow distribution prediction for urban dockless e-scooter sharing reconfiguration,” in Proceedings of The Web Conference 2020, 2020, pp. [86] s. he, k. g. shin, “dynamic flow distribution prediction for urban dockless e-scooter sharing reconfiguration” in the proceedings of the web conference 2020, 2020, pp。 0.88
133–143. 133–143. 0.71
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
16 [105] J. Zhu, Y. 16 [105] J. Zhu, Y。 0.86
Song, L. Zhao, and H. Li, “A3t-gcn: Attention temporal graph convolutional network for traffic forecasting,” arXiv preprint arXiv:2006.11583v1, 2020. Song, L. Zhao, and H. Li, “A3t-gcn: Attention temporal graph convolutional network for traffic forecasting” arXiv preprint arXiv:2006.11583v1, 2020. 0.85
[106] C. Tang, J. [106]C. Tang, J. 0.94
Sun, and Y. Sun, “Dynamic spatial-temporal graph attention graph convolutional network for short-term traffic flow forecasting,” in 2020 IEEE International Symposium on Circuits and Systems (ISCAS). 太陽とY。 Sun, “Dynamic spatial-temporal graph attention graph convolutional network for short-term traffic flow forecasting” in 2020 IEEE International Symposium on Circuits and Systems (ISCAS)。 0.71
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
1–5. [107] J. James, “Citywide traffic speed prediction: A geometric deep learning 1–5. J. James, “都市全体の交通速度予測:幾何学的ディープラーニング 0.70
approach,” Knowledge-Based Systems, p. 106592, 2020. とKnowledge-Based Systems, pp. 106592, 2020。 0.71
[108] Y. Shin and Y. Yoon, “Incorporating dynamicity of transportation network with multi-weight traffic graph convolutional network for traffic forecasting,” IEEE Transactions on Intelligent Transportation Systems, 2020. ieee transactions on intelligent transportation systems, 2020" [108] y. shin, y. yoon両氏は,“トラフィック予測のためのマルチウェイトトラヒックグラフ畳み込みネットワークによる輸送ネットワークのダイナミック性”を取り入れている。 0.80
[109] J. Liu, G. P. Ong, and X. Chen, “Graphsage-based traffic speed forecasting for segment network with sparse data,” IEEE Transactions on Intelligent Transportation Systems, 2020. J. Liu, G. P. Ong, X. Chen, “Graphsage-based traffic speed forecasting for segment network with sparse data”, IEEE Transactions on Intelligent Transportation Systems, 2020。 0.80
[110] J. Zhang, X. Shi, J. Xie, H. Ma, I. [110] J. Zhang, X. Shi, J. Xie, H. Ma, I. 0.96
King, and D.-Y. Yeung, “Gaan: Gated attention networks for learning on large and spatiotemporal graphs,” arXiv preprint arXiv:1803.07294, 2018. キングとD.Y。 Yeung, “Gaan: Gated attention network for learn on large and spatiotemporal graphs”. arXiv preprint arXiv:1803.07294, 2018. 0.85
[111] Z. Zhang, M. Li, X. Lin, Y. Wang, and F. He, “Multistep speed prediction on traffic networks: A deep learning approach considering spatio-temporal dependencies,” Transportation research part C: emerging technologies, vol. Z.Zhang, M. Li, X. Lin, Y. Wang, F. He, “Multistep speed prediction on traffic network: A Deep Learning approach considering Spatio-temporal dependencies”,Transport Research part C: emerging technology, vol. 0.84
105, pp. 297–322, 2019. 105, pp。 297–322, 2019. 0.83
[112] J. J. Q. Yu and J. Gu, “Real-time traffic speed estimation with graph convolutional generative autoencoder,” IEEE Transactions on Intelligent Transportation Systems, vol. 112] J.J.Q. YuとJ.Guは、「グラフ畳み込み生成オートエンコーダによるリアルタイム交通速度推定」、IEEE Transactions on Intelligent Transportation Systems, vol。
訳抜け防止モード: [112 ] J. J. Q. Yu, J. Gu, “Real - Time traffic speed estimation with graph convolutional Generative autoencoder” IEEE Transactions on Intelligent Transportation Systems, vol。
0.93
20, no. 10, pp. 20、いいえ。 10, pp。 0.78
3940–3951, 2019. 3940–3951, 2019. 0.84
[113] Z. Xie, W. Lv, S. Huang, Z. Lu, B. [113] Z. Xie, W. Lv, S. Huang, Z. Lu, B. 0.96
Du, and R. Huang, “Sequential graph neural network for urban road traffic speed prediction,” IEEE Access, 2019. du, and r. huang, “sequential graph neural network for urban road traffic speed prediction”, ieee access, 2019” を参照。 0.82
[114] C. Zhang, J. James, and Y. Liu, “Spatial-temporal graph attention networks: A deep learning approach for traffic forecasting,” IEEE Access, vol. 114] C. Zhang, J. James, and Y. Liu, “Spatial-temporal graph attention network: a Deep Learning approach for traffic forecasting”, IEEE Access, vol.1(英語) 0.93
7, pp. 166 246–166 256, 2019. 7, pp。 166 246–166 256, 2019. 0.86
[115] J. Guo, C. Song, and H. Wang, “A multi-step traffic speed forecasting model based on graph convolutional lstm,” in 2019 Chinese Automation Congress (CAC). 115] j. guo, c. song, h. wang, “a multi-step traffic speed forecasting model based based on graph convolutional lstm” 2019 china automation congress (cac)で発表された。 0.81
IEEE, 2019, pp. IEEE, 2019, pp。 0.83
2466–2471. 2466–2471. 0.71
[116] Z. Diao, X. Wang, D. Zhang, Y. Liu, K. Xie, and S. He, “Dynamic spatial-temporal graph convolutional neural networks for traffic forecasting,” in Proceedings of the AAAI Conference on Artificial Intelligence, vol. 116] Z. Diao, X. Wang, D. Zhang, Y. Liu, K. Xie, and S. He, "Dynamic space-temporal graph convolutional neural Network for traffic forecasting" in Proceedings of the AAAI Conference on Artificial Intelligence, vol。 0.92
33, 2019, pp. 33, 2019, pp。 0.82
890–897. [117] R.-G. Cirstea, C. Guo, and B. Yang, “Graph attention recurrent neural networks for correlated time series forecasting,” MileTS19@ KDD, 2019. 890–897. 117] R.-G. Cirstea, C. Guo, B. Yang, “Graph attention recurrent neural network for correlation time series forecasting”, MileTS19@ KDD, 2019。 0.78
[118] Z. Lu, W. Lv, Z. Xie, B. [118] Z. Lu, W. Lv, Z. Xie, B. 0.98
Du, and R. Huang, “Leveraging graph neural network with lstm for traffic speed prediction,” in 2019 IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computing, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation (SmartWorld/SCALCOM/ UIC/ATC/CBDCom/IOP/S CI). du, and r. huang, “leveraging graph neural network with lstm for traffic speed prediction” 2019 ieee smartworld, ubiquitous intelligence & computing, advanced & trusted computing, scalable computing & communications, cloud & big data computing, internet of people and smart city innovation (smartworld/scalcom/ uic/atc/cbdcom/iop/s ci)。 0.87
IEEE, 2019, pp. IEEE, 2019, pp。 0.83
74– 81. [119] T. Zhang, J. Jin, H. Yang, H. Guo, and X. Ma, “Link speed prediction for signalized urban traffic network using a hybrid deep learning approach,” in 2019 IEEE Intelligent Transportation Systems Conference (ITSC). 74– 81. 119] t. zhang, j. jin, h. yang, h. guo, x. ma, “link speed prediction for signalized urban traffic network using a hybrid deep learning approach” 2019 ieee intelligent transportation systems conference (itsc)で発表された。 0.89
IEEE, 2019, pp. IEEE, 2019, pp。 0.83
2195–2200. 2195–2200. 0.71
[120] J. James, “Online traffic speed estimation for urban road networks with few data: A transfer learning approach,” in 2019 IEEE Intelligent Transportation Systems Conference (ITSC). J. James, “Online traffic speed estimation for urban road network with few data: A transfer learning approach” in 2019 IEEE Intelligent Transportation Systems Conference (ITSC)。 0.73
IEEE, 2019, pp. IEEE, 2019, pp。 0.83
4024– 4029. 4024– 4029. 0.94
[121] L. Ge, H. Li, J. Liu, and A. Zhou, “Temporal graph convolutional networks for traffic speed prediction considering external factors,” in 2019 20th IEEE International Conference on Mobile Data Management (MDM). 121] L. Ge, H. Li, J. Liu, A. Zhou, “Temporal graph convolutional network for traffic speed prediction using external factors” in 2019 20th IEEE International Conference on Mobile Data Management (MDM)。 0.83
IEEE, 2019, pp. IEEE, 2019, pp。 0.83
234–242. [122] ——, “Traffic speed prediction with missing data based on tgcn,” in 2019 IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computing, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation (SmartWorld/SCALCOM/ UIC/ATC/CBDCom/IOP/S CI). 234–242. 122] – 2019年のieee smartworld、ユビキタスインテリジェンス&コンピューティング、advanced & trusted computing、スケーラブルコンピューティング&コミュニケーション、クラウド&ビッグデータコンピューティング、internet of people and smart city innovation(smartworl d/scalcom/uic/atc/cb dcom/iop/sci)の“tgcnに基づくデータの欠落したトラフィックスピード予測”。
訳抜け防止モード: 234–242. tgcnをベースとしたデータ不足による交通速度の予測”。 2019年 IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computing スケーラブルコンピューティングとコミュニケーション、クラウドとビッグデータコンピューティング、人々のインターネット そしてSmart City Innovation (SmartWorld / SCALCOM / UIC / ATC / CBDCom / IOP / SCI )。
0.80
IEEE, 2019, pp. IEEE, 2019, pp。 0.83
522–529. [123] N. Zhang, X. Guan, J. Cao, X. Wang, and H. Wu, “A hybrid traffic speed forecasting approach integrating wavelet transform and motifbased graph convolutional recurrent neural network,” arXiv preprint arXiv:1904.06656, 2019. 522–529. 123] N. Zhang, X. Guan, J. Cao, X. Wang, H. Wu, “ウェーブレット変換とモチーフベースのグラフ畳み込みリカレントニューラルネットワークを統合するハイブリッド交通速度予測アプローチ” arXiv preprint arXiv:1904.06656, 2019。 0.80
[124] K. Lee and W. Rhee, “Ddp-gcn: Multi-graph convolutional network for spatiotemporal traffic forecasting,” arXiv preprint arXiv:1905.12256, 2019. 124] K. Lee, W. Rhee, “Ddp-gcn: Multi-graph convolutional network for spatiotemporal traffic forecasting” arXiv preprint arXiv: 1905.12256, 2019. 0.89
[125] S. Shleifer, C. McCreery, and V. Chitters, “Incrementally improving graph wavenet performance on traffic prediction,” arXiv preprint arXiv:1912.07390, 2019. S. Shleifer, C. McCreery, V. Chitters, “Incrementled improve graph wavenet performance on traffic prediction, arXiv preprint arXiv:1912.07390, 2019”。 0.87
[126] B. Yu, Y. Lee, and K. Sohn, “Forecasting road traffic speeds by considering area-wide spatio-temporal dependencies based on a graph convolutional neural network (gcn),” Transportation Research Part C: Emerging Technologies, vol. 126]B. Yu, Y. Lee, K. Sohn, “グラフ畳み込みニューラルネットワーク(gcn)に基づく地域全体の時空間依存性を考慮した道路交通速度予測”, Transportation Research Part C: Emerging Technologies, vol. 0.84
114, pp. 189–204, 2020. 114, pp。 189–204, 2020. 0.82
[127] L. Ge, S. Li, Y. Wang, F. Chang, and K. Wu, “Global spatial-temporal graph convolutional network for urban traffic speed prediction,” Applied Sciences, vol. 127] L. Ge, S. Li, Y. Wang, F. Chang, and K. Wu, “都市交通速度予測のためのグローバル空間時空間グラフ畳み込みネットワーク”, Applied Sciences, vol。 0.92
10, no. 4, p. 1509, 2020. 10、いいえ。 4、p.1509、2020。 0.76
[128] Z. Lu, W. Lv, Y. Cao, Z. Xie, H. Peng, and B. [128]Z. Lu, W. Lv, Y. Cao, Z. Xie, H. Peng, B。 0.90
Du, “Lstm variants meet graph neural networks for road speed prediction,” Neurocomputing, 2020. Du, “Lstm variants meet graph neural network for road speed predict”, NeuroCompputing, 2020。 0.73
[129] F. Yang, L. Chen, F. Zhou, Y. Gao, and W. Cao, “Relational state-space model for stochastic multi-object systems,” in International Conference on Learning Representations, 2020. 129] F. Yang, L. Chen, F. Zhou, Y. Gao, W. Cao, “Relational state-space model for stochastic multi-object systems” in International Conference on Learning Representations, 2020。 0.95
[130] L. Zhao, Y. [130] L. Zhao, Y。 0.85
Song, C. Zhang, Y. Liu, P. Wang, T. Lin, M. Deng, and H. Li, “T-gcn: A temporal graph convolutional network for traffic prediction,” IEEE Transactions on Intelligent Transportation Systems, 2019. Song, C. Zhang, Y. Liu, P. Wang, T. Lin, M. Deng, H. Li, “T-gcn: A temporal graph convolutional network for traffic prediction”, IEEE Transactions on Intelligent Transportation Systems, 2019”。 0.95
[131] Z. Cui, K. Henrickson, R. Ke, and Y. Wang, “Traffic graph convolutional recurrent neural network: A deep learning framework for network-scale traffic learning and forecasting,” IEEE Transactions on Intelligent Transportation Systems, 2019. 131] Z. Cui, K. Henrickson, R. Ke, and Y. Wang, “Traffic graph convolutional recurrent neural Network: a Deep Learning framework for network-scale traffic learning and forecasting”, IEEE Transactions on Intelligent Transportation Systems, 2019。 0.90
[132] C. Chen, K. Li, S. G. Teo, X. Zou, K. Wang, J. Wang, and Z. Zeng, “Gated residual recurrent graph neural networks for traffic prediction,” in Proceedings of the AAAI Conference on Artificial Intelligence, vol. C. Chen, K. Li, S. G. Teo, X. Zou, K. Wang, J. Wang, Z. Zeng, “Gated Recurrent graph neural network for traffic prediction” in Proceedings on the AAAI Conference on Artificial Intelligence, Vol. 0.82
33, 2019, pp. 33, 2019, pp。 0.82
485–492. [133] Y. Zhang, S. Wang, B. Chen, and J. Cao, “Gcgan: Generative adversarial nets with graph cnn for network-scale traffic prediction,” in 2019 International Joint Conference on Neural Networks (IJCNN). 485–492. 133] Y. Zhang, S. Wang, B. Chen, J. Cao, “Gcgan: Generative adversarial nets with graph cnn for network-scale traffic prediction” は、2019年のIJCNN(International Joint Conference on Neural Networks)で発表された。 0.79
IEEE, 2019, pp. IEEE, 2019, pp。 0.83
1–8. [134] B. Yu, M. Li, J. Zhang, and Z. Zhu, “3d graph convolutional networks with temporal graphs: A spatial information free framework for traffic forecasting,” arXiv preprint arXiv:1903.00919, 2019. 1–8. 134] B. Yu, M. Li, J. Zhang, Z. Zhu, "3d graph convolutional network with temporal graphs: A space information free framework for traffic forecasting", arXiv preprint arXiv:1903.00919, 2019. 日本語版記事) 0.80
[135] K. Lee and W. Rhee, “Graph convolutional modules for 135] K. Lee, W. Rhee, “Graph convolutional module for” 0.88
traffic forecasting,” CoRR, vol. トラフィック予測」 CoRR, vol。 0.57
abs/1905.12256, 2019. abs/ 1905.12256, 2019 0.65
[Online]. Available: http://arxiv.org/abs /1905.12256 [オンライン] http://arxiv.org/abs /1905.12256 0.54
[136] T. Bogaerts, A. D. Masegosa, J. S. Angarita-Zapata, E. Onieva, and P. Hellinckx, “A graph cnn-lstm neural network for short and long-term traffic forecasting based on trajectory data,” Transportation Research Part C: Emerging Technologies, vol. T. Bogaerts, A. D. Masegosa, J. S. Angarita-Zapata, E. Onieva, P. Hellinckx, “グラフcnn-lstm Neural Network for short and long-term traffic forecasting based on trajectory data”, Transportation Research Part C: Emerging Technologies, vol. 0.91
112, pp. 62–77, 2020. 112, pp。 62–77, 2020. 0.82
[137] X. Wang, X. Guan, J. Cao, N. Zhang, and H. Wu, “Forecast network-wide traffic states for multiple steps ahead: A deep learning approach considering dynamic non-local spatial correlation and nonstationary temporal dependency,” Transportation Research Part C: Emerging Technologies, vol. 137] X. Wang, X. Guan, J. Cao, N. Zhang, H. Wu, “ネットワーク全体のトラフィック状態を、複数のステップで予測する: ダイナミックな非局所的空間相関と非定常的時間依存性を考慮したディープラーニングアプローチ”。
訳抜け防止モード: [137 ]X. Wang, X. Guan, J. Cao, N. Zhang, and H. Wu, “Forecast Network - 複数ステップの広いトラフィック状態 : 動的非局所空間相関を考慮したディープラーニングアプローチ 及び非定常的時間的依存, 交通研究部C : 新興技術, vol.
0.90
119, p. 102763, 2020. 119, p. 102763, 2020。 0.90
[Online]. Available: http://www.sciencedi rect.com/science/art icle/pii/S0968090X20 306756 [138] Z. Cui, L. Lin, Z. Pu, and Y. Wang, “Graph markov network for traffic forecasting with missing data,” Transportation Research Part C: Emerging Technologies, vol. [オンライン] http://www.sciencedi rect.com/science/art icle/pii/S0968090X20 306756 [138] Z. Cui, L. Lin, Z. Pu, Y. Wang, “Graph markov network for traffic forecasting with missing data”, Transportation Research Part C: Emerging Technologies, vol. 0.75
117, p. 102671, 2020. 117, p. 102671, 2020。 0.91
[Online]. Available: http://www.sciencedi rect.com/science/art icle/pii/S0968090X20 305866 [139] Z. Cui, R. Ke, Z. Pu, X. Ma, and Y. Wang, “Learning traffic as a graph: A gated graph wavelet recurrent neural network for networkscale traffic prediction,” Transportation Research Part C: Emerging Technologies, vol. [オンライン] 利用可能: http://www.sciencedi rect.com/science/art icle/pii/S0968090X20 305866 [139] Z. Cui, R. Ke, Z. Pu, X. Ma, Y. Wang, “グラフとしてトラフィックを学習する:ネットワークスケールのトラフィック予測のためのゲートグラフウェーブレットリカレントニューラルネットワーク”。 0.73
115, p. 102620, 2020. 115, p. 102620, 2020。 0.91
[140] K. Guo, Y. Hu, Z. S. Qian, Y. 140] K.Guo、Y.Hu、Z.S.Qian、Y。 0.79
Sun, J. Gao, and B. Yin, “An optimized temporal-spatial gated graph convolution network for traffic forecasting,” IEEE Intelligent Transportation Systems Magazine, 2020. Sun, J. Gao, and B. Yin, “トラフィック予測のための時間空間グラフ畳み込みネットワークを最適化したIEEE Intelligent Transportation Systems Magazine, 2020”。 0.85
[141] F. Zhou, Q. Yang, K. Zhang, G. Trajcevski, T. Zhong, and A. Khokhar, “Reinforced spatio-temporal attentive graph neural networks for traffic forecasting,” IEEE Internet of Things Journal, 2020. 141] F. Zhou, Q. Yang, K. Zhang, G. Trajcevski, T. Zhong, A. Khokhar, “トラフィック予測のための時空間集中型グラフニューラルネットワークの強化” IEEE Internet of Things Journal, 2020。 0.92
[142] L. Cai, K. Janowicz, G. Mai, B. Yan, and R. Zhu, “Traffic transformer: Capturing the continuity and periodicity of time series for traffic forecasting,” Transactions in GIS, 2020. 142] L. Cai, K. Janowicz, G. Mai, B. Yan, and R. Zhu, “Traffic transformer: Capturing the Continuity and periodicity of time series for traffic forecasting” GIS, 2020のトランザクション。 0.86
[143] F. Zhou, Q. Yang, T. Zhong, D. Chen, and N. Zhang, “Variational graph neural networks for road traffic prediction in intelligent transportation systems,” IEEE Transactions on Industrial Informatics, 2020. 143] F. Zhou, Q. Yang, T. Zhong, D. Chen, N. Zhang, “インテリジェントな交通システムにおける道路交通予測のための分散グラフニューラルネットワーク” IEEE Transactions on Industrial Informatics, 2020。 0.93
[144] Z. Wu, S. Pan, G. Long, J. Jiang, X. Chang, and C. Zhang, “Connecting the dots: Multivariate time series forecasting with graph neural networks,” in Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, ser. Z. Wu, S. Pan, G. Long, J. Jiang, X. Chang, and C. Zhang, "Connecting the dots: Multivariate time series forecasting with graph neural network" (第26回ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, ser) に収録されている。 0.87
KDD ’20. New York, NY, USA: Association for Computing Machinery, 2020, p. 753–763. KDD'20。 New York, NY, USA: Association for Computing Machinery, 2020, pp. 753–763。 0.86
[Online]. Available: https://doi.org/10. [オンライン] 利用可能: https://doi.org/10。 0.59
1145/3394486.3403118 1145/3394486.3403118 0.39
[145] W. Chen, L. Chen, Y. Xie, W. Cao, Y. Gao, and X. Feng, “Multirange attentive bicomponent graph convolutional network for traffic 145] W. Chen, L. Chen, Y. Xie, W. Cao, Y. Gao, X. Feng, "Multirange attentive bicomponent graph convolutional network for traffic" 0.96
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
17 forecasting,” in Proceedings of Intelligence, vol. 17 Proceedings of Intelligence, vol. で「予測」。 0.79
34, 2020. the AAAI Conference on Artificial 34, 2020. 人工知能に関するAAAI会議 0.81
[146] F. L. Opolka, A. Solomon, C. Cangea, P. Veliˇckovi´c, P. Li`o, and R. D. Hjelm, “Spatio-temporal deep graph infomax,” in Representation Learning on Graphs and Manifolds, ICLR 2019 Workshop, 2019. 146] F.L. Opolka, A. Solomon, C. Cangea, P. Veli ckovi ́c, P. Li`o, R.D. Hjelm, "Spatio-temporal Deep graph infomax" in Representation Learning on Graphs and Manifolds, ICLR 2019 Workshop, 2019。 0.93
[147] T. Mallick, P. Balaprakash, E. Rask, and J. Macfarlane, “Transfer learning with graph neural networks for short-term highway traffic forecasting,” arXiv preprint arXiv:2004.08038, 2020. 147] T. Mallick, P. Balaprakash, E. Rask, and J. Macfarlane, "Transfer learning with graph neural networks for short-term highway traffic forecasting" arXiv preprint arXiv:2004.08038, 2020。 0.94
[148] B. N. Oreshkin, A. Amini, L. Coyle, and M. J. Coates, “Fc-gaga: Fully connected gated graph architecture for spatio-temporal traffic forecasting,” arXiv preprint arXiv:2007.15531, 2020. 148] B.N. Oreshkin, A. Amini, L. Coyle, M. J. Coates, "Fc-gaga: Fullly connected gated graph architecture for spatio-temporal traffic forecasting", arXiv preprint arXiv:2007.15531, 2020. 0.90
[149] C. Jia, B. Wu, and X.-P. Zhang, “Dynamic spatiotemporal graph neural network with tensor network,” arXiv preprint arXiv:2003.08729, 2020. 149] c. jia, b. wu, x.-p. zhang, “dynamic spatiotemporal graph neural network with tensor network”, arxiv preprint arxiv:2003.08729, 2020。 0.84
[150] Y. Sun, Y. Wang, K. Fu, Z. Wang, C. Zhang, and J. Ye, “Constructing geographic and long-term temporal graph for traffic forecasting,” arXiv preprint arXiv:2004.10958, 2020. [150] Y。 Sun, Y. Wang, K. Fu, Z. Wang, C. Zhang, J. Ye, “Constructing Geographic and long-term temporal graph for traffic forecasting” arXiv preprint arXiv:2004.10958, 2020 0.86
[151] G. Guo and W. Yuan, “Short-term traffic speed forecasting based on graph attention temporal convolutional networks,” Neurocomputing, 2020. [151]G.GuoとW. Yuanは,“グラフ注意時間的畳み込みネットワークに基づく短期的な交通速度予測”,Neurocomputing,2020 。 0.76
[152] Q. Xie, T. Guo, Y. Chen, Y. Xiao, X. Wang, and B. Y. Zhao, “Deep graph convolutional networks for incident-driven traffic speed prediction,” in Proceedings of the 29th ACM International Conference on Information & Knowledge Management, 2020, pp. Q. Xie, T. Guo, Y. Chen, Y. Xiao, X. Wang, B. Y. Zhao, “Deep graph convolutional network for incident-driven traffic speed prediction” in Proceedings of the 29th ACM International Conference on Information & Knowledge Management, 2020, pp. 0.89
1665–1674. 1665–1674. 0.71
[153] X. Zhang, Z. Zhang, and X. Jin, “Spatial-temporal graph attention model on traffic forecasting,” in 2020 13th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI). X. Zhang, Z. Zhang, X. Jin, “Spatial-temporal graph attention model on traffic forecasting” in 2020 13th International Congress on Image and Signal Processing, Biomedical Engineering and Informatics (CISP-BMEI) 0.84
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
999–1003. [154] J. Zhu, C. Tao, H. Deng, L. Zhao, P. Wang, T. Lin, and H. Li, “Astgcn: Attribute-augmented spatiotemporal graph convolutional network for traffic forecasting,” arXiv preprint arXiv:2011.11004, 2020. 999–1003. 154] J. Zhu, C. Tao, H. Deng, L. Zhao, P. Wang, T. Lin, and H. Li, “Astgcn: Attribute-augmented spatiooral graph convolutional network for traffic forecasting” arXiv preprint arXiv:2011.11004, 2020。 0.81
[155] D. Feng, Z. Wu, J. Zhang, and Z. Wu, “Dynamic global-local spatialtemporal network for traffic speed prediction,” IEEE Access, vol. D. Feng, Z. Wu, J. Zhang, Z. Wu, “Dynamic global-local spatialtemporal network for traffic speed prediction”, IEEE Access, vol。 0.78
8, pp. 209 296–209 307, 2020. 8, pp。 209 296–209 307, 2020. 0.86
[156] H. Zhu, Y. Xie, W. He, C. Sun, K. Zhu, G. Zhou, and N. Ma, “A novel traffic flow forecasting method based on rnn-gcn and brb,” Journal of Advanced Transportation, vol. journal of advanced transportation, vol. “[[156] h. zhu, y. xie, w. he, c. sun, k. zhu, g. zhou, and n. ma, “rnn-gcnとbrbに基づく新しい交通流量予測法”。 0.79
2020, 2020. 2020, 2020. 0.85
[157] J. Fu, W. Zhou, and Z. Chen, “Bayesian spatio-temporal graph forecasting,” arXiv preprint 157] J. Fu, W. Zhou, Z. Chen, "Bayesian spatio-temporal graph forecasting" arXiv preprint 0.88
traffic convolutional network for arXiv:2010.07498, 2020. 交通 arXivの畳み込みネットワーク 2010.07498, 2020 0.75
[158] K. Zhang, F. He, Z. Zhang, X. Lin, and M. Li, “Graph attention temporal convolutional network for traffic speed forecasting on road networks,” Transportmetrica B: Transport Dynamics, pp. K.Zhang, F. He, Z. Zhang, X. Lin, M. Li, “Graph attention temporal convolutional network for traffic speed forecasting on road network”. Transportmetrica B: Transport Dynamics, pp。
訳抜け防止モード: [ 158 ] K. Zhang, F. He, Z. Zhang, ] X. Lin, and M. Li, “Graph attention temporal convolutional network for traffic speed forecasting on road network”。 Transportmetrica B : 輸送ダイナミクス、pp。
0.91
1–19, 2020. 1–19, 2020. 0.84
[159] Y. Xie, Y. Xiong, and Y. Zhu, “Istd-gcn: Iterative spatial-temporal diffusion graph convolutional network for traffic speed forecasting,” arXiv preprint arXiv:2008.03970, 2020. Y.Xie, Y. Xiong, Y. Zhu, “Istd-gcn: 交通速度予測のための反復時空間拡散グラフ畳み込みネットワーク” arXiv preprint arXiv:2008.03970, 2020 0.93
[160] C. Park, C. Lee, H. Bahng, Y. Tae, S. Jin, K. Kim, S. Ko, and J. Choo, “St-grat: A novel spatio-temporal graph attention networks for accurately forecasting dynamically changing road speed,” in Proceedings of the 29th ACM International Conference on Information & Knowledge Management, 2020, pp. C. Park, C. Lee, H. Bahng, Y. Tae, S. Jin, K. Kim, S. Ko, J. Choo, “St-grat: A novel spatio-temporal graph attention network for accurate forecasting dynamic changing road speed” in Proceedings of the 29th ACM International Conference on Information & Knowledge Management, 2020, pp. 0.92
1215–1224. 1215–1224. 0.71
[161] A. Agafonov, “Traffic flow prediction using graph convolution neural networks,” in 2020 10th International Conference on Information Science and Technology (ICIST). 第10回情報科学・技術国際会議(icist)において,[161] a. agafonov, “traffic flow prediction using graph convolution neural networks” が開催された。 0.82
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
91–95. [162] F. Chen, Z. Chen, S. Biswas, S. Lei, N. Ramakrishnan, and C.-T. Lu, “Graph convolutional networks with kalman filtering for traffic prediction,” in Proceedings of the 28th International Conference on Advances in Geographic Information Systems, 2020, pp. 91–95. F. Chen, Z. Chen, S. Biswas, S. Lei, N. Ramakrishnan, C.-T. Lu, “Graph convolutional network with kalman filtering for traffic prediction” in Proceedings of the 28th International Conference on Advances in Geographic Information Systems, 2020, pp. 0.79
135–138. [163] B. Lu, X. Gan, H. Jin, L. Fu, and H. Zhang, “Spatiotemporal adaptive gated graph convolution network for urban traffic flow forecasting,” in Proceedings of the 29th ACM International Conference on Information & Knowledge Management, 2020, pp. 135–138. 第29回ACM International Conference on Information & Knowledge Management, 2020, pp. [163] B. Lu, X. Gan, H. Jin, L. Fu, and H. Zhang, "Spatiotemporal Adaptive Gated graph Convolution Network for Urban Traffic Flow forecasting" に参加して 0.80
1025–1034. 1025–1034. 0.71
[164] T. S. Jepsen, C. S. Jensen, and T. D. Nielsen, “Graph convolutional networks for road networks,” in Proceedings of the 27th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2019, pp. T.S.Jepsen, C.S. Jensen, T.D.Nielsen, “Graph convolutional network for road network” in Proceedings of the 27th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2019, pp. 0.82
460–463. [165] ——, “Relational fusion networks: Graph convolutional networks for road networks,” IEEE Transactions on Intelligent Transportation Systems, 2020. 460–463. IEEE Transactions on Intelligent Transportation Systems, 2020. “Relational fusion network: Graph convolutional network for road network”(道路ネットワークのためのグラフ畳み込みネットワーク)。 0.79
[166] H. Bing, X. Zhifeng, X. Yangjie, H. Jinxing, and M. Zhanwu, “Integrating semantic zoning information with the prediction of road link speed based on taxi gps data,” Complexity, vol. H. Bing, X. Zhifeng, X. Yangjie, H. Jinxing, M. Zhanwu, “Integrating semantic zoning information with the prediction of road link speed based on taxi gps data, Complexity, vol. 0.79
2020, 2020. 2020, 2020. 0.85
[167] G. Lewenfus, W. A. Martins, S. Chatzinotas, and B. Ottersten, “Joint forecasting and interpolation of time-varying graph signals using deep learning,” IEEE Transactions on Signal and Information Processing over Networks, 2020. 167] G. Lewenfus, W. A. Martins, S. Chatzinotas, B. Ottersten, “ディープラーニングを用いた時間変動グラフ信号の同時予測と補間”, IEEE Transactions on Signal and Information Processing over Networks, 2020。 0.88
[168] J. Zhu, X. Han, H. Deng, C. Tao, L. Zhao, L. Tao, and H. Li, “Kst-gcn: A knowledge-driven spatial-temporal graph convolutional network for traffic forecasting,” arXiv preprint arXiv:2011.14992, 2020. J. Zhu, X. Han, H. Deng, C. Tao, L. Zhao, L. Tao, H. Li, “Kst-gcn: A knowledge-driven spatial-temporal graph convolutional network for traffic forecasting” arXiv preprint arXiv:2011.14992, 2020”。 0.86
[169] B. Liao, J. Zhang, C. Wu, D. McIlwraith, T. Chen, S. Yang, Y. Guo, and F. Wu, “Deep sequence learning with auxiliary information for traffic prediction,” in Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2018, pp. B. Liao, J. Zhang, C. Wu, D. McIlwraith, T. Chen, S. Yang, Y. Guo, F. Wu, “Deep sequence learning with Assistant information for traffic prediction” in Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2018, pp. 0.85
537– 546. [170] T. Maas and P. Bloem, “Uncertainty intervals for graph-based spatio- 537– 546. [170]T. Maas, P. Bloem, “グラフベースの時空間の不確かさ- 0.80
temporal traffic prediction,” arXiv preprint arXiv:2012.05207, 2020. arXiv preprint arXiv:2012.05207, 2020。 0.67
[171] Z. Li, L. Li, Y. Peng, and X. Tao, “A two-stream graph convolutional neural network for dynamic traffic flow forecasting,” in 2020 IEEE 32nd International Conference on Tools with Artificial Intelligence (ICTAI). 171] 2020年IEEE 32nd International Conference on Tools with Artificial Intelligence (ICTAI)において、Z. Li, L. Li, Y. Peng, X. Tao, “動的トラフィックフロー予測のための2流グラフ畳み込みニューラルネットワーク” が発表された。 0.81
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
355–362. [172] Q. 355–362. [172] Q。 0.74
Song, R. Ming, J. Hu, H. Niu, and M. Gao, “Graph attention convolutional network: Spatiotemporal modeling for urban traffic prediction,” in 2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC). Song, R. Ming, J. Hu, H. Niu, M. Gao, “Graph attention convolutional network: Spatiotemporal modeling for urban traffic prediction” in 2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC)。 0.87
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
1–6. [173] H. Zhao, H. Yang, Y. Wang, D. Wang, and R. Su, “Attention based graph bi-lstm networks for traffic forecasting,” in 2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC). 1–6. H. Zhao, H. Yang, Y. Wang, D. Wang, R. Su, “Attention based graph bi-lstm network for traffic forecasting” in 2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC)。 0.77
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
1–6. [174] L. Guopeng, V. L. Knoop, and H. van Lint, “Dynamic graph filters networks: A gray-box model for multistep traffic forecasting,” in 2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC). 1–6. [174] L. Guopeng, V. L. Knoop, H. van Lint, “Dynamic graph filters network: a gray-box model for multistep traffic forecasting” in 2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC)。 0.80
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
1–6. [175] S.-S. Kim, M. Chung, and Y.-K. Kim, “Urban traffic prediction using congestion diffusion model,” in 2020 IEEE International Conference on Consumer Electronics-Asia (ICCE-Asia). 1–6. [175]S.S. Kim, M. Chung, Y.K. Kim, “Urban traffic prediction using congestion diffusion model” in 2020 IEEE International Conference on Consumer Electronics-Asia (ICCE-Asia)。 0.79
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
1–4. [176] A. Hasanzadeh, X. Liu, N. Duffield, and K. R. Narayanan, “Piecewise stationary modeling of random processes over graphs with an application to traffic prediction,” in 2019 IEEE International Conference on Big Data (Big Data). 1–4. 176] A. Hasanzadeh、X. Liu、N. Duffield、K. R. Narayananは、2019年のIEEE International Conference on Big Data (Big Data)で、「トラフィック予測に応用したグラフ上のランダムなプロセスの戦略的定常モデリング」と述べた。 0.72
IEEE, 2019, pp. IEEE, 2019, pp。 0.83
3779–3788. 3779–3788. 0.71
[177] X. Fang, J. Huang, F. Wang, L. Zeng, H. Liang, and H. Wang, “Constgat: Contextual spatial-temporal graph attention network for travel time estimation at baidu maps,” in Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, ser. 177] X. Fang, J. Huang, F. Wang, L. Zeng, H. Liang, H. Wang, "Constgat: Contextualpatial-tem poral graph attention network for Travel time estimate at baidu map" (第26回ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, ser.) で紹介された。 0.91
KDD ’20. New York, NY, USA: Association for Computing Machinery, 2020, p. 2697–2705. KDD'20。 New York, NY, USA: Association for Computing Machinery, 2020, pp. 2697–2705。 0.86
[Online]. Available: https://doi.org/10.1 145/3394486.3403320 [オンライン] https://doi.org/10.1 145/3394486.3403320 0.52
[178] K. Shao, K. Wang, L. Chen, and Z. Zhou, “Estimation of urban travel time with sparse traffic surveillance data,” in Proceedings of the 2020 4th High Performance Computing and Cluster Technologies Conference & 2020 3rd International Conference on Big Data and Artificial Intelligence, 2020, pp. 178] k. shao, k. wang, l. chen, z. zhou, “estimation of urban travel time with sparse traffic surveillance data” in proceedings of the 2020 4th high performance computing and cluster technologies conference & 2020 3rd international conference on big data and artificial intelligence, 2020, pp. (英語) 0.84
218–223. [179] Y. Shen, C. Jin, and J. Hua, “Ttpnet: A neural network for travel time prediction based on tensor decomposition and graph embedding,” IEEE Transactions on Knowledge and Data Engineering, 2020. 218–223. 179] Y. Shen, C. Jin, and J. Hua, “Ttpnet: テンソル分解とグラフ埋め込みに基づく移動時間予測のためのニューラルネットワーク” IEEE Transactions on Knowledge and Data Engineering, 2020。 0.76
[180] R. Dai, S. Xu, Q. Gu, C. Ji, and K. Liu, “Hybrid spatio-temporal graph convolutional network: Improving traffic prediction with navigation data,” in Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, ser. [180]R. Dai, S. Xu, Q. Gu, C. Ji, K. Liu, “Hybrid spatio-temporal graph convolutional network: Improving traffic prediction with navigation data” in Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, ser。 0.90
KDD ’20. New York, NY, USA: Association for Computing Machinery, 2020, p. 3074–3082. KDD'20。 New York, NY, USA: Association for Computing Machinery, 2020, pp. 3074–3082。 0.86
[Online]. Available: https://doi.org/10.1 145/3394486. [オンライン] 利用可能: https://doi.org/10.1 145/3394486。 0.54
3403358 [181] S. Mohanty and A. Pozdnukhov, “Graph cnn+ lstm framework for dynamic macroscopic traffic congestion prediction,” in International Workshop on Mining and Learning with Graphs, 2018. 3403358 181] S. Mohanty と A. Pozdnukhov, “Graph cnn+ lstm framework for dynamic macroscopic traffic congestion prediction” in International Workshop on Mining and Learning with Graphs, 2018. 0.85
[182] S. Mohanty, A. Pozdnukhov, and M. Cassidy, “Region-wide congestion prediction and control using deep learning,” Transportation Research Part C: Emerging Technologies, vol. S. Mohanty, A. Pozdnukhov, M. Cassidy, “Region-wide congestion prediction and control using Deep Learning”, Transportation Research Part C: Emerging Technologies, vol. 0.79
116, p. 102624, 2020. 116, p. 102624, 2020。 0.90
[183] K. Qin, Y. Xu, C. Kang, and M.-P. Kwan, “A graph convolutional network model for evaluating potential congestion spots based on local urban built environments,” Transactions in GIS, 2020. [183]K.Qin,Y.Xu,C.Kang,M. -P.Kwan, “ローカルな都市構築環境に基づく潜在的な混雑箇所を評価するためのグラフ畳み込みネットワークモデル”, Transactions in GIS, 2020。 0.86
[184] X. Han, G. Shen, X. Yang, and X. Kong, “Congestion recognition for hybrid urban road systems via digraph convolutional network,” Transportation Research Part C: Emerging Technologies, vol. [184]X. Han, G. Shen, X. Yang, X. Kong, “Congestion recognition for hybrid urban road system via digraph convolutional network”, Transportation Research Part C: Emerging Technologies, vol. 0.88
121, p. 102877, 2020. 121, p. 102877, 2020。 0.91
[185] H. Hong, Y. Lin, X. Yang, Z. Li, K. Fu, Z. Wang, X. Qie, and J. Ye, “Heteta: Heterogeneous information network embedding for estimating time of arrival,” in Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, ser. 185] H. Hong, Y. Lin, X. Yang, Z. Li, K. Fu, Z. Wang, X. Qie, and J. Ye, "Heteta: Heterogeneous information network embeddinging for estimating time of arrival" (第26回ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, ser.) 0.89
KDD ’20. New York, NY, USA: Association for Computing Machinery, 2020, p. 2444–2454. KDD'20。 New York, NY, USA: Association for Computing Machinery, 2020, pp. 2444–2454。 0.86
[Online]. Available: https://doi.org/10.1 145/3394486.3403294 [オンライン] https://doi.org/10.1 145/3394486.3403294 0.52
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
18 [186] J. Hu, C. Guo, B. Yang, C. S. Jensen, and L. Chen, “Recurrent multi-graph neural networks for travel cost prediction,” arXiv preprint arXiv:1811.05157, 2018. 18 J. Hu, C. Guo, B. Yang, C. S. Jensen, L. Chen, “Recurrent multi-graph neural network for travel cost prediction, arXiv preprint arXiv:1811.05157, 2018”。 0.87
[187] W. Pian and Y. Wu, “Spatial-temporal dynamic graph attention networks for ride-hailing demand prediction,” arXiv preprint arXiv:2006.05905, 2020. W.Pian, Y.Wu, “Spatial-temporal dynamic graph attention network for ride-hailing demand prediction” arXiv preprint arXiv:2006.05905, 2020 0.91
[188] G. Jin, Z. Xi, H. Sha, Y. Feng, and J. Huang, “Deep multi-view spatiotemporal virtual graph neural network for significant citywide ride-hailing demand prediction,” arXiv preprint arXiv:2007.15189, 2020. 188] G. Jin, Z. Xi, H. Sha, Y. Feng, J. Huang, "Deep multi-view spatiooral virtual graph neural network for significant citywide ride-hailing demand predict" arXiv preprint arXiv:2007.15189, 2020. 0.93
[189] A. Li and K. W. Axhausen, “Short-term traffic demand prediction using graph convolutional neural networks,” AGILE: GIScience Series, vol. AGILE: GIScience Series, vol.[189] A. Li, K. W. Axhausen, “グラフ畳み込みニューラルネットワークによる短期的な交通需要予測”。 0.80
1, pp. 1–14, 2020. 1、p。 1–14, 2020. 0.74
[190] G. Jin, Y. Cui, L. Zeng, H. Tang, Y. Feng, and J. Huang, “Urban ridehailing demand prediction with multiple spatio-temporal information fusion network,” Transportation Research Part C: Emerging Technologies, vol. 190] G. Jin, Y. Cui, L. Zeng, H. Tang, Y. Feng, J. Huang, "Urban ridehailing demand predict with multiple spatio-temporal information fusion network", Transportation Research Part C: Emerging Technologies, vol。 0.89
117, p. 102665, 2020. 117, p. 102665, 2020。 0.90
[191] X. Geng, X. Wu, L. Zhang, Q. Yang, Y. Liu, and J. Ye, “Multimodal graph interaction for multi-graph convolution network in urban spatiotemporal forecasting,” arXiv preprint arXiv:1905.11395, 2019. [191] X. Geng, X. Wu, L. Zhang, Q. Yang, Y. Liu, J. Ye, “Multimodal graph interaction for multi-graph convolution network in urban spatiotemporal forecasting, arXiv preprint arXiv: 1905.11395, 2019”。 0.91
[192] D. Lee, S. Jung, Y. Cheon, D. Kim, and S. You, “Demand forecasting from spatiotemporal data with graph networks and temporal-guided embedding,” arXiv preprint arXiv:1905.10709, 2019. D. Lee, S. Jung, Y. Cheon, D. Kim, and S. You, “Demand forecasting from spatiotemporal data with graph network and temporal-guided embedded”, arXiv preprint arXiv:1905.10709, 2019”。 0.93
[193] L. Bai, L. Yao, S. S. Kanhere, X. Wang, and Q. 193] L. Bai、L. Yao、S.S. Kanhere、X. Wang、Q。 0.80
Z. Sheng, “Stg2seq: spatial-temporal graph to sequence model for multi-step passenger demand forecasting,” in Proceedings of the 28th International Joint Conference on Artificial Intelligence. Z. Sheng, “Stg2seq: spatial-temporal graph to sequence model for multi-step passenger demand forecasting” in Proceedings of the 28th International Joint Conference on Artificial Intelligence。 0.92
AAAI Press, 2019, pp. AAAI Press, 2019, pp。 0.82
1981– 1987. 1981– 1987. 0.94
[194] X. Geng, Y. Li, L. Wang, L. Zhang, Q. Yang, J. Ye, and Y. Liu, “Spatiotemporal multi-graph convolution network for ride-hailing demand forecasting,” in Proceedings of the AAAI Conference on Artificial Intelligence, vol. X. Geng, Y. Li, L. Wang, L. Zhang, Q. Yang, J. Ye, Y. Liu, “Spatiotemporal multi-graph convolution network for ride-hailing demand forecasting” in Proceedings on the AAAI Conference on Artificial Intelligence, vol. 0.90
33, 2019, pp. 33, 2019, pp。 0.82
3656–3663. 3656–3663. 0.71
[195] L. Bai, L. Yao, S. S. Kanhere, X. Wang, W. Liu, and Z. Yang, “Spatio-temporal graph convolutional and recurrent networks for citywide passenger demand prediction,” in Proceedings of the 28th ACM International Conference on Information and Knowledge Management, 2019, pp. L. Bai, L. Yao, S. S. Kanhere, X. Wang, W. Liu, Z. Yang, “Spatio-temporal graph convolutional and recurrent network for citywide passenger demand prediction” in Proceedings of the 28th ACM International Conference on Information and Knowledge Management, 2019, pp. 0.90
2293–2296. 2293–2296. 0.71
[196] J. Ke, S. Feng, Z. Zhu, H. Yang, and J. Ye, “Joint predictions of multimodal ride-hailing demands: a deep multi-task multigraph learningbased approach,” arXiv preprint arXiv:2011.05602, 2020. 196] J. Ke, S. Feng, Z. Zhu, H. Yang, and J. Ye, "マルチモーダル配車需要の合同予測:深いマルチタスクマルチグラフ学習アプローチ" arXiv preprint arXiv:2011.05602, 2020。 0.85
[197] W. Li, X. Yang, X. Tang, and S. Xia, “Sdcn: Sparsity and diversity driven correlation networks for traffic demand forecasting,” in 2020 International Joint Conference on Neural Networks (IJCNN). [197]W. Li, X. Yang, X. Tang, S. Xia, “Sdcn: Sparsity and diversity driven correlation network for traffic demand forecasting” in 2020 International Joint Conference on Neural Networks (IJCNN)。 0.86
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
1–8. [198] J. Ke, X. Qin, H. Yang, Z. Zheng, Z. Zhu, and J. Ye, “Predicting origindestination ride-sourcing demand with a spatio-temporal encoderdecoder residual multi-graph convolutional network,” arXiv preprint arXiv:1910.09103, 2019. 1–8. [198]J. Ke, X. Qin, H. Yang, Z. Zheng, Z. Zhu, J. Ye, “spatio-temporal encoder Decoderの残差多グラフ畳み込みネットワークによる配車需要の予測” arXiv preprint arXiv:1910.09103, 2019”。 0.74
[199] J. Hu, B. Yang, C. Guo, C. S. Jensen, and H. Xiong, “Stochastic origindestination matrix forecasting using dual-stage graph convolutional, recurrent neural networks,” in 2020 IEEE 36th International Conference on Data Engineering (ICDE). J. Hu, B. Yang, C. Guo, C. S. Jensen, H. Xiong, “Stochastic origindestination matrix forecasting using dual-stage graph convolutional, recurrent neural network” in 2020 IEEE 36th International Conference on Data Engineering (ICDE)。 0.84
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
1417–1428. 1417–1428. 0.71
[200] B. Zheng, Q. Hu, L. Ming, J. Hu, L. Chen, K. Zheng, and C. S. Jensen, “Spatial-temporal demand forecasting and competitive supply via graph convolutional networks,” arXiv preprint arXiv:2009.12157, 2020. B.Zheng, Q. Hu, L. Ming, J. Hu, L. Chen, K. Zheng, C. S. Jensen, “Spatial-temporal demand forecasting and competitive supply via graph convolutional network” arXiv preprint arXiv:2009.12157, 2020”. 0.94
[201] Y. Xu and D. Li, “Incorporating graph attention and recurrent architectures for city-wide taxi demand prediction,” ISPRS International Journal of Geo-Information, vol. ISPRS International Journal of Geo-Information, vol.201] Y.Xu and D.Li, “Incorporating graph attention and recurrent architectures for city-wide taxi demand predict” (英語) 0.88
8, no. 9, p. 414, 2019. 8、いいえ。 9, p. 414, 2019。 0.84
[202] N. Davis, G. Raina, and K. Jagannathan, “Grids versus graphs: Partitioning space for improved taxi demand-supply forecasts,” IEEE Transactions on Intelligent Transportation Systems, 2020. 202] N. Davis, G. Raina, K. Jagannathan, “Grids vs graphs: Partitioning space for improved taxi demand-supply forecasts”, IEEE Transactions on Intelligent Transportation Systems, 2020。 0.82
[203] Z. Chen, B. Zhao, Y. Wang, Z. Duan, and X. Zhao, “Multitask learning and gcn-based taxi demand prediction for a traffic road network,” Sensors, vol. 203] Z. Chen, B. Zhao, Y. Wang, Z. Duan, X. Zhao, "Multitask learning and gcn-based taxi demand predict for a traffic Road network", Sensors, vol。 0.89
20, no. 13, p. 3776, 2020. 20、いいえ。 13, p. 3776, 2020。 0.84
[204] B. Du, X. Hu, L. Sun, J. Liu, Y. Qiao, and W. Lv, “Traffic demand prediction based on dynamic transition convolutional neural network,” IEEE Transactions on Intelligent Transportation Systems, 2020. [204]B。 Du, X. Hu, L. Sun, J. Liu, Y. Qiao, W. Lv, “Traffic demand predict based on dynamic transition convolutional neural Network” IEEE Transactions on Intelligent Transportation Systems, 2020。 0.81
[205] Y. Li and J. M. Moura, “Forecaster: A graph transformer for forecasting spatial and time-dependent data,” in Proceedings of the Twenty-fourth European Conference on Artificial Intelligence, 2020. Y. Li, J. M. Moura, “Forecaster: a graph transformer for predicting space and time-dependent data” in Proceedings of the Twenty-fourth European Conference on Artificial Intelligence, 2020。
訳抜け防止モード: [205 ] Y. Li, J. M. Moura, “Forecaster : a graph transformer for forecasting space and time-dependent data” In Proceedings of the Twenty - 4th European Conference on Artificial Intelligence, 2020
0.93
[206] M. Wu, C. Zhu, and L. Chen, “Multi-task spatial-temporal graph attention network for taxi demand prediction,” in Proceedings of the 2020 5th International Conference on Mathematics and Artificial Intelligence, 2020, pp. M.Wu, C. Zhu, L. Chen, “Multi-task spatial-temporal graph attention network for taxi demand prediction” in Proceedings of the 2020 5th International Conference on Mathematics and Artificial Intelligence, 2020, pp. 0.87
224–228. [207] J. Ye, L. Sun, B. 224–228. [207] J. Ye, L. Sun, B. 0.85
Du, Y. Fu, and H. Xiong, “Coupled layer-wise graph convolution for transportation demand prediction,” arXiv preprint arXiv:2012.08080, 2020. Du, Y. Fu, and H. Xiong, “Coupled Layer-wise graph convolution for transport demand prediction” arXiv preprint arXiv:2012.08080, 2020 0.95
[208] M. Luo, B. [208]M. Luo, B。 0.86
Du, K. Klemmer, H. Zhu, H. Ferhatosmanoglu, and H. Wen, “D3p: Data-driven demand prediction for fast expanding electric vehicle sharing systems,” Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, vol. Du, K. Klemmer, H. Zhu, H. Ferhatosmanoglu, H. Wen, “D3p: Data-driven demand prediction for fast expand electric vehicle sharing system”, ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, Vol. 0.89
4, no. 1, pp. 4、いいえ。 1、p。 0.68
1–21, 2020. 1–21, 2020. 0.84
[209] H. Chen, R. A. Rossi, K. Mahadik, and H. Eldardiry, “A context integrated relational spatio-temporal model for demand and supply forecasting,” arXiv preprint arXiv:2009.12469, 2020. H. Chen, R. A. Rossi, K. Mahadik, H. Eldardiry, “A context integrated relational spatio-temporal model for demand and supply forecasting” arXiv preprint arXiv:2009.12469, 2020. 0.96
[210] Q. Wang, B. Guo, Y. Ouyang, K. Shu, Z. Yu, and H. Liu, “Spatial community-informed evolving graphs for demand prediction,” in Proceedings of The European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECMLPKDD 2020), 2020. Q. Wang, B. Guo, Y. Ouyang, K. Shu, Z. Yu, H. Liu, “Spatial community-informed evolution graphs for demand prediction” in Proceedings on the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECMLPKDD 2020), 2020。 0.83
[211] T. Qin, T. Liu, H. Wu, W. Tong, and S. Zhao, “Resgcn: Residual graph convolutional network based free dock prediction in bike sharing system,” in 2020 21st IEEE International Conference on Mobile Data Management (MDM). 211] T. Qin, T. Liu, H. Wu, W. Tong, and S. Zhao, “Resgcn: Residual graph Convolutional Network based free dock predict in bike sharing system” は、2020年第21回IEEE International Conference on Mobile Data Management (MDM) で発表された。 0.88
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
210–217. [212] G. Xiao, R. Wang, C. Zhang, and A. Ni, “Demand prediction for a public bike sharing program based on spatio-temporal graph convolutional networks,” Multimedia Tools and Applications, pp. 210–217. 212] G. Xiao, R. Wang, C. Zhang, A. Ni, “時空間グラフ畳み込みネットワークに基づく公共自転車共有プログラムの予測”, Multimedia Tools and Applications, pp。 0.73
1–19, 2020. 1–19, 2020. 0.84
[213] A. Yoshida, Y. Yatsushiro, N. Hata, T. Higurashi, N. Tateiwa, T. Wakamatsu, A. Tanaka, K. Nagamatsu, and K. Fujisawa, “Practical endto-end repositioning algorithm for managing bike-sharing system,” in 2019 IEEE International Conference on Big Data (Big Data). A. Yoshida, Y. Yatsushiro, N. Hata, T. Higurashi, N. Taateiwa, T. Wakamatsu, A. Tanaka, K. Nagamatsu, K. Fujisawa, “Practical endto-end repositioning algorithm for managing bike-sharing system” in 2019 IEEE International Conference on Big Data (Big Data) 0.91
IEEE, 2019, pp. IEEE, 2019, pp。 0.83
1251–1258. 1251–1258. 0.71
[214] R. Guo, Z. Jiang, J. Huang, J. Tao, C. Wang, J. Li, and L. Chen, “Bikenet: Accurate bike demand prediction using graph neural networks for station rebalancing,” in 2019 IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computing, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation (SmartWorld/SCALCOM/ UIC/ATC/CBDCom/IOP/S CI). 214] r. guo, z. jiang, j. huang, j. tao, c. wang, j. li, l. chen, “bikenet: accurate bike demand prediction using graph neural networks for station rebalancing” 2019 ieee smartworld, ubiquitous intelligence & computing, advanced & trusted computing, scalable computing & communications, cloud & big data computing, internet of people and smart city innovation (smartworld/scalcom/ uic/cbdcom/iop/sci)。 0.79
IEEE, 2019, pp. IEEE, 2019, pp。 0.83
686–693. [215] T. S. Kim, W. K. Lee, and S. Y. Sohn, “Graph convolutional network approach applied to predict hourly bike-sharing demands considering spatial, temporal, and global effects,” PLOS ONE, vol. 686–693. 215]T.S. Kim,W.K. Lee,S.Y. Sohn, “グラフ畳み込みネットワークのアプローチは、空間的、時間的、そしてグローバルな効果を考慮した時空の自転車シェアリング要求を予測できる”、とPLOS ONE, vol. 0.66
14, no. 9, p. e0220782, 2019. 14だ 9, p. e0220782, 2019。 0.64
[216] L. Lin, Z. [216]L. Lin, Z。 0.86
He, and S. Peeta, “Predicting station-level hourly demand in a large-scale bike-sharing network: A graph convolutional neural network approach,” Transportation Research Part C: Emerging Technologies, vol. 彼とS. Peetaは、「大規模な自転車共有ネットワーク:グラフ畳み込みニューラルネットワークアプローチにおけるステーションレベルの時給需要を予測する」と、Transporting Research Part C: Emerging Technologies, vol。
訳抜け防止モード: とS. Peeta氏は,“予測ステーション – 大規模な自転車の時間的需要レベル – 共有ネットワーク – グラフ畳み込みニューラルネットワークアプローチ”だ。 交通研究部会 : 新興技術, Vol.
0.85
97, pp. 258–276, 2018. 97, pp。 258–276, 2018. 0.82
[217] Z. Zhou, Y. Wang, X. Xie, L. Chen, and H. Liu, “Riskoracle: A minutelevel citywide traffic accident forecasting framework,” in Proceedings of the AAAI Conference on Artificial Intelligence, vol. [217] z. zhou, y. wang, x. xie, l. chen, h. liu, “riskoracle: a minute level citywide traffic accident forecasting framework” in proceedings of the aaai conference on artificial intelligence, vol.)。 0.79
34, 2020. [218] L. Yu, B. 34, 2020. [218]L. Yu, B. 0.88
Du, X. Hu, L. Sun, L. Han, and W. Lv, “Deep spatiotemporal graph convolutional network for traffic accident prediction,” Neurocomputing, 2020. Du, X. Hu, L. Sun, L. Han, W. Lv, “Deep spatiotemporal graph convolutional network for traffic accident prediction”, Neurocomputing, 2020。 0.87
[219] Y. Zhang, X. Dong, L. Shang, D. Zhang, and D. Wang, “A multimodal graph neural network approach to traffic risk forecasting in smart urban sensing,” in 2020 17th Annual IEEE International Conference on Sensing, Communication, and Networking (SECON). 219] Y. Zhang, X. Dong, L. Shang, D. Zhang, D. Wangは、2020年第17回IEEE International Conference on Sensing, Communication, and Networking (SECON)で、「スマートシティセンシングにおける交通リスク予測のためのマルチモーダルグラフニューラルネットワークアプローチ」を発表した。 0.81
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
1–9. [220] Z. Zhou, Y. Wang, X. Xie, L. Chen, and C. Zhu, “Foresee urban sparse traffic accidents: A spatiotemporal multi-granularity perspective,” IEEE Transactions on Knowledge and Data Engineering, 2020. 1–9. 220] Z. Zhou, Y. Wang, X. Xie, L. Chen, C. Zhu, “Foresee Urban Spanrse Traffic accident: A temptemporal multi-granularity perspective”, IEEE Transactions on Knowledge and Data Engineering, 2020。 0.77
[221] R. Liu, S. Zhao, B. Cheng, H. Yang, H. Tang, and F. Yang, “Stmfm: A spatiotemporal multi-modal fusion model for urban anomalies prediction,” in Proceedings of the Twenty-fourth European Conference on Artificial Intelligence, 2020. R. Liu, S. Zhao, B. Cheng, H. Yang, H. Tang, F. Yang, “Stmfm: A spatiotemporal multi-modal fusion model for urban anomalies prediction” in Proceedings of the Twenty-fourth European Conference on Artificial Intelligence, 2020. 0.91
[222] W. Zhang, H. Liu, Y. Liu, J. Zhou, T. Xu, and H. Xiong, “Semisupervised city-wide parking availability prediction via hierarchical recurrent graph neural network,” IEEE Transactions on Knowledge and Data Engineering, 2020. 222] W. Zhang, H. Liu, Y. Liu, J. Zhou, T. Xu, H. Xiong, “Semisupervised city-wide parking Availability predict via hierarchical recurrent graph neural network”, IEEE Transactions on Knowledge and Data Engineering, 2020。 0.90
[223] S. Yang, W. Ma, X. Pi, and S. Qian, “A deep learning approach to real-time parking occupancy prediction in transportation networks incorporating multiple spatio-temporal data sources,” Transportation Research Part C: Emerging Technologies, vol. S. Yang, W. Ma, X. Pi, S. Qian, “複数の時空間データソースを組み込んだ交通ネットワークにおけるリアルタイム駐車占有予測のためのディープラーニングアプローチ”, Transportation Research Part C: Emerging Technologies, vol. 0.88
107, pp. 248–265, 2019. 107, pp。 248–265, 2019. 0.82
[224] W. Zhang, H. Liu, Y. Liu, J. Zhou, and H. Xiong, “Semi-supervised hierarchical recurrent graph neural network for city-wide parking availability prediction,” in Proceedings of the AAAI Conference on Artificial Intelligence, vol. W. Zhang, H. Liu, Y. Liu, J. Zhou, H. Xiong, “Semi-supervised hierarchical recurrent graph neural network for city-wide parking available prediction” in Proceedings on the AAAI Conference on Artificial Intelligence, Vol. 0.87
34, 2020. [225] H.-W. Wang, Z.-R. Peng, D. Wang, Y. Meng, T. Wu, W. Sun, and Q.-C. Lu, “Evaluation and prediction of transportation resilience under extreme weather events: A diffusion graph convolutional approach,” Transportation Research Part C: Emerging Technologies, vol. 34, 2020. H.-W.Wang, Z.-R. Peng, D. Wang, Y. Meng, T. Wu, W. Sun, Q.-C. Lu, “極端な気象イベントによる輸送のレジリエンスの評価と予測:拡散グラフ畳み込みアプローチ”, Transportation Research Part C: Emerging Technologies, vol. 0.87
115, p. 102619, 2020. 115, p. 102619, 2020。 0.91
英語(論文から抽出)日本語訳スコア
JOURNAL OF LATEX CLASS FILES, VOL. JOURNAL OF LATEX CLASS FILES, VOL。 0.78
14, NO. 8, AUGUST 2015 14、いいえ。 8、AUGUST 2015。 0.79
19 [226] Z. Xu, Y. Kang, Y. Cao, and Z. Li, “Spatiotemporal graph convolution multifusion network for urban vehicle emission prediction,” IEEE Transactions on Neural Networks and Learning Systems, 2020. 19 Z. Xu, Y. Kang, Y. Cao, Z. Li, “Spatiotemporal graph convolution multifusion network for urban vehicle emission prediction”, IEEE Transactions on Neural Networks and Learning Systems, 2020。 0.81
[227] J. S. Heglund, P. Taleongpong, S. Hu, and H. T. Tran, “Railway delay prediction with spatial-temporal graph convolutional networks,” in 2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC). J.S. Heglund, P. Taleongpong, S. Hu, and H. T. Tran, “Railway delay prediction with spatial-temporal graph convolutional network” in 2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC) 0.88
IEEE, 2020, pp. IEEE, 2020, pp。 0.82
1–6. [228] M. A. Wright, S. F. Ehlers, and R. Horowitz, “Neural-attention-bas ed deep learning architectures for modeling traffic dynamics on lane graphs,” in 2019 IEEE Intelligent Transportation Systems Conference (ITSC). 1–6. M.A. Wright, S. F. Ehlers, R. Horowitz, “Neural-attention-bas ed Deep Learning architectures for modeling traffic dynamics on lane graphs” in 2019 IEEE Intelligent Transportation Systems Conference (ITSC)。 0.78
IEEE, 2019, pp. IEEE, 2019, pp。 0.83
3898–3905. 3898–3905. 0.71
[229] J. Zhou, G. Cui, Z. Zhang, C. Yang, Z. Liu, L. Wang, C. Li, and M. Sun, “Graph neural networks: A review of methods and applications,” arXiv preprint arXiv:1812.08434, 2018. 229] J. Zhou, G. Cui, Z. Zhang, C. Yang, Z. Liu, L. Wang, C. Li, M. Sun, "Graph neural networks: A review of method and applications" arXiv preprint arXiv:1812.08434, 2018 0.97
[230] Z. Zhang, P. Cui, and W. Zhu, “Deep learning on graphs: A survey,” 230] Z. Zhang, P. Cui, W. Zhu, “Deep Learning on graphs: A Survey”。 0.81
IEEE Transactions on Knowledge and Data Engineering, 2020. IEEE Transactions on Knowledge and Data Engineering、2020年。 0.85
[231] A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, Ł. Kaiser, and I. Polosukhin, “Attention is all you need,” Advances in neural information processing systems, vol. 231] A. Vaswani、N. Shazeer、N. Parmar、J. Uszkoreit、L. Jones、A.N. Gomez、O. Kaiser、およびI. Polosukhinは、「注意はあなたが必要とするすべてです」と述べています。 0.72
30, pp. 5998– 6008, 2017. pp. 30。 5998– 6008, 2017. 0.89
[232] F. Scarselli, M. Gori, A. C. Tsoi, M. Hagenbuchner, and G. Monfardini, “The graph neural network model,” IEEE transactions on neural networks, vol. 232] F. Scarselli, M. Gori, A. C. Tsoi, M. Hagenbuchner, G. Monfardini, “The graph neural Network model”, IEEE transaction on neural network, vol. ニューラルネットワークのトランザクション。 0.88
20, no. 1, pp. 20、いいえ。 1、p。 0.70
61–80, 2008. 61–80, 2008. 0.84
[233] T. N. Kipf and M. Welling, “Variational graph auto-encoders,” arXiv 233] T.N. Kipf and M. Welling, "Variational graph auto-encoders" arXiv 0.96
preprint arXiv:1611.07308, 2016. arXiv:1611.07308, 2016 0.73
[234] ——, “Semi-supervised classification with graph convolutional networks,” in International Conference on Learning Representations (ICLR ’17), 2017. 234] – “semi-supervised classification with graph convolutional networks” in international conference on learning representations (iclr ’17), 2017” (英語) 0.80
[235] J. Atwood and D. Towsley, “Diffusion-convolutio nal neural networks,” 235] J. AtwoodとD. Towsleyの“Diffusion-convolutio nal neural Network”。 0.87
in NIPS, 2016. 2016年NIPSに入社。 0.79
[236] J. Gilmer, S. S. Schoenholz, P. F. Riley, O. Vinyals, and G. E. Dahl, “Neural message passing for quantum chemistry,” in International Conference on Machine Learning. 236] J. Gilmer, S. S. Schoenholz, P. F. Riley, O. Vinyals, G. E. Dahl, "Neural message pass for quantum chemistry" in International Conference on Machine Learning. (英語) 0.92
PMLR, 2017, pp. PMLR、2017年、pp。 0.83
1263–1272. 1263–1272. 0.71
[237] W. Hamilton, Z. Ying, and J. Leskovec, “Inductive representation learning on large graphs,” in Advances in neural information processing systems, 2017, pp. 237] W. Hamilton, Z. Ying, J. Leskovec, "Inductive representation learning on large graphs" in Advances in Neural Information Processing System, 2017 pp。 0.76
1024–1034. 1024–1034. 0.71
[238] P. Veliˇckovi´c, G. Cucurull, A. Casanova, A. Romero, P. Li`o, and Y. Bengio, “Graph attention networks,” in International Conference on Learning Representations, 2018. 2018年のInternational Conference on Learning Representationsの[238] P. Veli ckovi ́c, G. Cucurull, A. Casanova, A. Romero, P. Li`o, Y. Bengio, “Graph attention network”。 0.90
[239] J. Bruna, W. Zaremba, A. Szlam, and Y. LeCun, “Spectral networks and deep locally connected networks on graphs,” in 2nd International Conference on Learning Representations, ICLR 2014, 2014. 239] J. Bruna, W. Zaremba, A. Szlam, Y. LeCun, “Spectral Network and Deep Local connected Network on graphs” は、ICLR 2014 第2回国際学習表現会議で発表されました。 0.85
[240] M. Defferrard, X. Bresson, and P. Vandergheynst, “Convolutional neural networks on graphs with fast localized spectral filtering,” in Proceedings of the 30th International Conference on Neural Information Processing Systems, 2016, pp. [240] m. defferrard, x. bresson, p. vandergheynst, “convolutional neural networks on graphs with fast localized spectral filter” in the proceedings of the 30th international conference on neural information processing systems, 2016 pp. (英語) 0.84
3844–3852. 3844–3852. 0.71
[241] J. Yuan, Y. Zheng, C. Zhang, W. Xie, X. Xie, G. Sun, and Y. Huang, “T-drive: driving directions based on taxi trajectories,” in Proceedings of the 18th SIGSPATIAL International conference on advances in geographic information systems, 2010, pp. J. Yuan, Y. Zheng, C. Zhang, W. Xie, X. Xie, G. Sun, Y. Huang, “T-drive: driving direction based on taxi trajectories” in Proceedings of the 18th SIGSPATIAL International conference on advances in Geographic information systems, 2010, pp. 0.88
99–108. [242] J. Zhang, Y. Zheng, and D. Qi, “Deep spatio-temporal residual networks for citywide crowd flows prediction,” in Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence, 2017, pp. 99–108. [242] j. zhang, y. zheng, d. qi, “deep spatio-temporal residual networks for citywide crowd flow prediction” in proceedings of the third-first aaai conference on artificial intelligence, 2017 pp. ] (英語) 0.76
1655–1661. 1655–1661. 0.71
[243] X. Yao, Y. Gao, D. Zhu, E. Manley, J. Wang, and Y. Liu, “Spatial origin-destination flow imputation using graph convolutional networks,” IEEE Transactions on Intelligent Transportation Systems, 2020. 243] X. Yao, Y. Gao, D. Zhu, E. Manley, J. Wang, Y. Liu, “グラフ畳み込みネットワークを用いた空間起源・目的地フローインプット” IEEE Transactions on Intelligent Transportation Systems, 2020。 0.90
[244] J. Mena-Oreja and J. Gozalvez, “A comprehensive evaluation of deep learning-based techniques for traffic prediction,” IEEE Access, vol. ieee access, vol. “a comprehensive evaluation of deep learning-based techniques for traffic prediction”[244] j. mena-oreja氏とj. gozalvez氏。 0.80
8, pp. 91 188–91 212, 2020. 8, pp。 91 188–91 212, 2020. 0.86
[245] C. Li, L. Bai, W. Liu, L. Yao, and S. T. Waller, “Knowledge adaption for demand prediction based on multi-task memory neural network,” in Proceedings of the 29th ACM International Conference on Information & Knowledge Management, 2020, pp. C. Li, L. Bai, W. Liu, L. Yao, S. T. Waller, “Knowledge adaption for demand prediction based on multi-task memory neural network” in Proceedings of the 29th ACM International Conference on Information & Knowledge Management, 2020, pp. 0.88
715–724. [246] Y. Wu, H. Tan, L. Qin, B. 715–724. [246] Y. Wu、H. Tan、L. Qin、B。 0.79
Ran, and Z. Jiang, “A hybrid deep learning based traffic flow prediction method and its understanding,” Transportation Research Part C: Emerging Technologies, vol. Ran, Z. Jiang, “A hybrid Deep Learning based traffic flow prediction method and its understanding”, Transportation Research Part C: Emerging Technologies, vol. 0.81
90, pp. 166–180, 2018. 90, pp。 166–180, 2018. 0.82
[247] A. Barredo-Arrieta, I. La˜na, and J. Del Ser, “What lies beneath: A note on the explainability of black-box machine learning models for road traffic forecasting,” in 2019 IEEE Intelligent Transportation Systems Conference (ITSC). 247] a. barredo-arrieta, i. la ína, j. del ser, “what lies under: a explanationability of black-box machine learning models for road traffic forecasting” 2019 ieee intelligent transportation systems conference (itsc) で発表された。 0.81
IEEE, 2019, pp. IEEE, 2019, pp。 0.83
2232–2237. 2232–2237. 0.71
[248] F. Baldassarre and H. Azizpour, “Explainability techniques for graph convolutional networks,” in International Conference on Machine Learning (ICML) Workshops, 2019 Workshop on Learning and Reasoning with Graph-Structured Representations, 2019. F. Baldassarre と H. Azizpour, “Explainability techniques for graph convolutional network” in International Conference on Machine Learning (ICML) Workshops, 2019 Workshop on Learning and Reasoning with Graph-Structured Representations, 2019. ] 0.84
[249] P. E. Pope, S. Kolouri, M. Rostami, C. E. Martin, and H. Hoffmann, “Explainability methods for graph convolutional neural networks,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2019, pp. P.E. Pope, S. Kolouri, M. Rostami, C. E. Martin, H. Hoffmann, “Explainability methods for graph convolutional neural network” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2019, pp。 0.83
10 772–10 781. 10 772–10 781. 0.84
[250] Z. Ying, D. Bourgeois, J. [250]Z.Ying, D. Bourgeois, J. 0.95
You, M. Zitnik, and J. Leskovec, “Gnnexplainer: Generating explanations for graph neural networks,” in Advances in neural information processing systems, 2019, pp. You, M. Zitnik, and J. Leskovec, "Gnnexplainer: Generating descriptions for graph neural Network" in Advances in Neural Information Processing System, 2019, pp. (英語) 0.89
9244– 9255. 9244– 9255. 0.94
[251] T. Zhao, Y. Liu, L. Neves, O. Woodford, M. Jiang, and N. Shah, “Data augmentation for graph neural networks,” in Proceedings of the 30th International Joint Conference on Artificial Intelligence. 第30回人工知能に関する国際会議の進行において、T. Zhao, Y. Liu, L. Neves, O. Woodford, M. Jiang, N. Shah, "Data Augmentation for graph neural Network" が発表された。 0.81
AAAI Press, 2021. AAAI Press 2021年。 0.79
[252] V. Garcia and J. Bruna, “Few-shot learning with graph neural net- 252] V. Garcia と J. Bruna による「グラフニューラルネットワークによるフルショット学習- 0.79
works,” arXiv preprint arXiv:1711.04043, 2017. arXiv preprint arXiv:1711.04043, 2017”。 0.88
[253] L. Liu, T. Zhou, G. Long, J. Jiang, and C. Zhang, “Learning to propagate for graph meta-learning,” in Advances in Neural Information Processing Systems, 2019, pp. 253] L. Liu, T. Zhou, G. Long, J. Jiang, C. Zhang, "Learning to propagate for graph meta-learning" in Advances in Neural Information Processing Systems, 2019, pp。 0.90
1039–1050. 1039–1050. 0.71
[254] I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, and Y. Bengio, “Generative adversarial nets,” Advances in neural information processing systems, vol. [254]I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, Y. Bengio, “Generative adversarial nets”, ニューラル情報処理システムの進歩。 0.92
27, pp. 2672– 2680, 2014. pp. 27。 2672– 2680, 2014. 0.89
[255] M. Arjovsky, S. Chintala, and L. Bottou, “Wasserstein gan,” arXiv 255] M. Arjovsky, S. Chintala, L. Bottou, "Wasserstein gan", arXiv 0.80
preprint arXiv:1701.07875, 2017. arXiv:1701.07875, 2017 0.72
Weiwei Jiang (M’19) received the B.Sc. Weiwei Jiang (M'19)はB.Scを受け取りました。 0.74
and Ph.D. degrees from the Department of Electronic Engineering, Tsinghua University, Beijing, China, in 2013 and 2018, respectively. 2013年と2018年に清華大学電子工学科、北京大学、中国大学から博士号を取得した。 0.58
He is currently a Postdoctoral Researcher with the Department of Electronic Engineering, Tsinghua University. 現在は清華大学電子工学科の博士研究員である。 0.56
His current research interests include the intersection between big data and machine learning techniques and signal processing applications. 現在の研究対象は、ビッグデータと機械学習技術と信号処理アプリケーションとの交差点である。 0.75
Jiayun Luo was born in Shenzhen on Sep 27th, 1999. Jiayun Luoは1999年9月27日に深センで生まれました。 0.72
She received a B.S. 彼女はb.s.を受けた。 0.49
degree in statistics from the University of California, Los Angeles in the U.S.A in 2020. カリフォルニア大学ロサンゼルス校の統計学の学位は、2020年に取得した。 0.76
She is currently working for QH data as a Data Analyst. 彼女は現在、データアナリストとしてQHデータに取り組んでいる。 0.74
She published ”Bitcoin price prediction in the time of COVID-19” on The International Conference on Management Science Informatization and Economic Innovation and Development (MSIEID2020) in 2020. 彼女は2020年にmsieid2020(internati onal conference on management science informatization and economic innovation and development)で,"bitcoin price prediction in the time of covid-19"を発表した。 0.79
Her research interest is the application of Deep Learning algorithms and Artificial Intelligent on improving quality of life of Disabled People. 彼女の研究関心は、深層学習アルゴリズムと人工知能の障害者の生活の質向上への応用である。 0.79
                                       ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。