Fugu-MT 論文翻訳(概要): Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction

論文の概要: Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction

arxiv url: http://arxiv.org/abs/2001.04889v3
Date: Tue, 3 Nov 2020 04:24:53 GMT
ステータス: 処理完了
システム内更新日: 2023-01-11 13:00:41.879995
Title: Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction
Title（参考訳）: 台内及び台内メトロライダシップ予測のための物理・仮想協調モデル
Authors: Lingbo Liu and Jingwen Chen and Hefeng Wu and Jiajie Zhen and Guanbin Li and Liang Lin
Abstract要約: 本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
参考スコア（独自算出の注目度）: 116.66657468425645
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Due to the widespread applications in real-world scenarios, metro ridership prediction is a crucial but challenging task in intelligent transportation systems. However, conventional methods either ignore the topological information of metro systems or directly learn on physical topology, and cannot fully explore the patterns of ridership evolution. To address this problem, we model a metro system as graphs with various topologies and propose a unified Physical-Virtual Collaboration Graph Network (PVCGN), which can effectively learn the complex ridership patterns from the tailor-designed graphs. Specifically, a physical graph is directly built based on the realistic topology of the studied metro system, while a similarity graph and a correlation graph are built with virtual topologies under the guidance of the inter-station passenger flow similarity and correlation. These complementary graphs are incorporated into a Graph Convolution Gated Recurrent Unit (GC-GRU) for spatial-temporal representation learning. Further, a Fully-Connected Gated Recurrent Unit (FC-GRU) is also applied to capture the global evolution tendency. Finally, we develop a Seq2Seq model with GC-GRU and FC-GRU to forecast the future metro ridership sequentially. Extensive experiments on two large-scale benchmarks (e.g., Shanghai Metro and Hangzhou Metro) well demonstrate the superiority of our PVCGN for station-level metro ridership prediction. Moreover, we apply the proposed PVCGN to address the online origin-destination (OD) ridership prediction and the experiment results show the universality of our method. Our code and benchmarks are available at https://github.com/HCPLab-SYSU/PVCGN.
Abstract（参考訳）: 現実のシナリオで広く応用されているため、メトロライダーシップの予測はインテリジェント交通システムにおいて決定的だが難しい課題である。しかし、従来の方法はメトロシステムのトポロジー情報を無視するか、物理的トポロジーについて直接学習するかのどちらかであり、ライダーシップの進化のパターンを完全に探求することはできない。この問題を解決するために,様々なトポロジを持つグラフとしてメトロシステムをモデル化し,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習する物理仮想協調グラフネットワーク(PVCGN)を提案する。特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築され、類似グラフと相関グラフは、駅間旅客流の類似性と相関の指導の下で仮想トポロジーで構築される。これらの補グラフは、空間的時間的表現学習のためのグラフ畳み込みGated Recurrent Unit(GC-GRU)に組み込まれる。また、全連結ゲートリカレントユニット(fc-gru)を用いて、グローバル進化傾向を捉える。最後に,GC-GRUとFC-GRUを併用したSeq2Seqモデルを構築し,将来のメトロライダーを逐次予測する。 2つの大規模ベンチマーク(上海メトロや杭州メトロなど)の大規模な実験は、駅レベルのメトロライダーの予測においてPVCGNの優位性をよく示している。さらに,提案したPVCGNをオンライン起点決定予測(OD)に応用し,実験結果から本手法の普遍性を示した。私たちのコードとベンチマークはhttps://github.com/hcplab-sysu/pvcgnで利用可能です。

関連論文リスト

Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2023-06-15T14:50:27Z)
BEVBert: Multimodal Map Pre-training for Language-guided Navigation [75.23388288113817]
視覚・言語ナビゲーション(VLN)における空間認識型マップベース事前学習パラダイムを提案する。我々は,グローバルなトポロジカルマップにおけるナビゲーション依存性をモデル化しながら,不完全な観測を明示的に集約し,重複を取り除くための局所距離マップを構築した。ハイブリッドマップをベースとして,マルチモーダルマップ表現を学習するための事前学習フレームワークを考案し,空間認識型クロスモーダル推論を強化し,言語誘導ナビゲーションの目標を導出する。
論文参考訳（メタデータ） (2022-12-08T16:27:54Z)
D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
論文参考訳（メタデータ） (2022-07-21T10:19:07Z)
Spatio-Temporal Dynamic Graph Relation Learning for Urban Metro Flow Prediction [10.300311879377734]
トランスファー駅やノントランスファー駅など、異なる地下鉄駅には独自の交通パターンがある。メトロステーションの複雑な時間的動的関係をモデル化することは困難である。
論文参考訳（メタデータ） (2022-04-06T08:07:40Z)
Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。 kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
論文参考訳（メタデータ） (2022-02-25T10:02:49Z)
Trajectory Prediction with Graph-based Dual-scale Context Fusion [43.51107329748957]
本稿では,Dual Scale Predictorというグラフベースの軌道予測ネットワークを提案する。静的および動的駆動コンテキストを階層的にエンコードする。提案したデュアルスケールコンテキスト融合ネットワークにより、DSPは正確で人間らしいマルチモーダル軌道を生成することができる。
論文参考訳（メタデータ） (2021-11-02T13:42:16Z)
Parallel Multi-Graph Convolution Network For Metro Passenger Volume Prediction [8.536743588315696]
本稿では,並列多グラフ畳み込みと双方向一方向Gated Recurrent Unit(PB-GRU)を重畳した深層学習モデルを提案する。地下鉄の乗客の流れを実世界の2つのデータセットで分析した結果,モデルの有効性が示された。
論文参考訳（メタデータ） (2021-08-29T13:07:18Z)
SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文参考訳（メタデータ） (2021-04-04T03:17:42Z)
Coupled Layer-wise Graph Convolution for Transportation Demand Prediction [43.23120462553671]
グラフ畳み込みネットワーク(gcn)は輸送需要予測に広く適用されている。本稿では,輸送需要予測のための新しいグラフ畳み込みネットワークを提案する。実世界の2つのデータセット、NYC Citi BikeとNYC Taxiで実験が行われた。
論文参考訳（メタデータ） (2020-12-15T04:10:09Z)
Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-04-23T03:50:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。