Fugu-MT 論文翻訳(概要): Forecast Network-Wide Traffic States for Multiple Steps Ahead: A Deep Learning Approach Considering Dynamic Non-Local Spatial Correlation and Non-Stationary Temporal Dependency

論文の概要: Forecast Network-Wide Traffic States for Multiple Steps Ahead: A Deep Learning Approach Considering Dynamic Non-Local Spatial Correlation and Non-Stationary Temporal Dependency

arxiv url: http://arxiv.org/abs/2004.02391v1
Date: Mon, 6 Apr 2020 03:40:56 GMT
ステータス: 処理完了
システム内更新日: 2022-12-16 06:00:46.847984
Title: Forecast Network-Wide Traffic States for Multiple Steps Ahead: A Deep Learning Approach Considering Dynamic Non-Local Spatial Correlation and Non-Stationary Temporal Dependency
Title（参考訳）: ネットワーク全体のトラフィック状態を複数ステップ予測する:動的非局所空間相関と非定常時間依存性を考慮したディープラーニングアプローチ
Authors: Xinglei Wang, Xuefeng Guan, Jun Cao, Na Zhang, Huayi Wu
Abstract要約: 本研究では,交通予測における2つの問題について検討する。(1)交通リンク間の動的・非局所的な空間的相関を捉え,(2)正確な複数ステップの予測を行うための時間依存性のダイナミクスをモデル化する。本稿では,これらの問題に対処するため,時空間列列モデル(STSeq2Seq)というディープラーニングフレームワークを提案する。このモデルは、時間的特徴を捉えるためにシーケンスからシーケンス(seq2seq)アーキテクチャに基づいて構築され、空間情報を集約するためのグラフ畳み込みに依存している。
参考スコア（独自算出の注目度）: 6.019104024723682
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Obtaining accurate information about future traffic flows of all links in a traffic network is of great importance for traffic management and control applications. This research studies two particular problems in traffic forecasting: (1) capture the dynamic and non-local spatial correlation between traffic links and (2) model the dynamics of temporal dependency for accurate multiple steps ahead predictions. To address these issues, we propose a deep learning framework named Spatial-Temporal Sequence to Sequence model (STSeq2Seq). This model builds on sequence to sequence (seq2seq) architecture to capture temporal feature and relies on graph convolution for aggregating spatial information. Moreover, STSeq2Seq defines and constructs pattern-aware adjacency matrices (PAMs) based on pair-wise similarity of the recent traffic patterns on traffic links and integrate it into graph convolution operation. It also deploys a novel seq2sesq architecture which couples a convolutional encoder and a recurrent decoder with attention mechanism for dynamic modeling of long-range dependence between different time steps. We conduct extensive experiments using two publicly-available large-scale traffic datasets and compare STSeq2Seq with other baseline models. The numerical results demonstrate that the proposed model achieves state-of-the-art forecasting performance in terms of various error measures. The ablation study verifies the effectiveness of PAMs in capturing dynamic non-local spatial correlation and the superiority of proposed seq2seq architecture in modeling non-stationary temporal dependency for multiple steps ahead prediction. Furthermore, qualitative analysis is conducted on PAMs as well as the attention weights for model interpretation.
Abstract（参考訳）: トラフィック管理および制御アプリケーションにおいて、トラフィックネットワークの全リンクの将来のトラフィックフローに関する正確な情報を取得することは、非常に重要である。本研究では,(1)トラヒックリンク間の動的・非局所的空間的相関を把握し,(2)正確な複数ステップ先行予測のための時間依存のダイナミクスをモデル化する。これらの課題に対処するため,STSeq2Seq(Spatial-Temporal Sequence to Sequence Model)というディープラーニングフレームワークを提案する。このモデルはsequence to sequence (seq2seq)アーキテクチャに基づいて構築され、時間的特徴をキャプチャし、空間情報を集約するためのグラフ畳み込みに依存する。さらに、STSeq2Seqは、最近のトラフィックリンクにおける交通パターンのペアワイドな類似性に基づいてパターン認識隣接行列(PAM)を定義し、グラフ畳み込み操作に統合する。また、畳み込みエンコーダと再帰デコーダを結合した新しいseq2sesqアーキテクチャをデプロイし、異なる時間ステップ間の長距離依存性の動的モデリングのための注意機構を提供する。 2つの公開可能な大規模トラフィックデータセットを用いて広範な実験を行い、STSeq2Seqを他のベースラインモデルと比較する。数値計算により,提案モデルが種々の誤差測定値を用いて最先端予測性能を実現することを示す。アブレーション研究は,pamsが動的非局所的空間相関を捉えることの有効性を検証し,提案するseq2seqアーキテクチャが複数ステップの予測に対する非定常時間依存性をモデル化する上で優れていることを検証した。さらに, PAMとモデル解釈の注意重みについて定性解析を行った。

関連論文リスト

Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文参考訳（メタデータ） (2024-11-01T00:37:00Z)
Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework [2.9490249935740573]
FMPESTF(Fusion Matrix Prompt-Enhanced Self-Attention Space-Temporal Interactive Traffic Forecasting Framework)を提案する。 FMPESTFは、ダウンサンプリングトラフィックデータのための空間的および時間的モジュールで構成されている。時間モデリングにおける注意機構を導入し,様々な交通シナリオに適応するための階層型時空間対話型学習を設計する。
論文参考訳（メタデータ） (2024-10-12T03:47:27Z)
A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
論文参考訳（メタデータ） (2024-06-02T05:41:25Z)
Dynamic Hypergraph Structure Learning for Traffic Flow Forecasting [35.0288931087826]
交通流予測は、過去のネットワークと交通条件に基づいて将来の交通状況を予測することを目的としている。この問題は、遠時ニューラルネットワーク(GNN)を用いた交通データにおける複雑な時間相関をモデル化することによって、典型的に解決される。既存の手法は、近隣情報を線形に集約するメッセージパッシングのパラダイムに従っている。本稿では,交通流予測のための動的ハイパー構造学習(DyHSL)モデルを提案する。
論文参考訳（メタデータ） (2023-09-21T12:44:55Z)
A Dynamic Temporal Self-attention Graph Convolutional Network for Traffic Prediction [7.23135508361981]
本稿では,隣接する行列をトレーニング可能なアテンションスコア行列とする時間自己アテンショングラフ畳み込みネットワーク(DT-SGN)モデルを提案する。実世界の交通データセット上での最先端モデル駆動モデルとデータ駆動モデルよりも,本手法の方が優れていることを示す実験を行った。
論文参考訳（メタデータ） (2023-02-21T03:51:52Z)
PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文参考訳（メタデータ） (2023-01-19T08:42:40Z)
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)
DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic Forecasting [7.232141271583618]
以上の問題に対処する新しい動的多重グラフ畳み込み再帰ネットワーク(DMG)を提案する。距離に基づくグラフを用いて,距離の近いノードから空間情報をキャプチャする。また,道路間の構造相関を符号化した新しい潜在グラフを構築し,ノードから空間情報をキャプチャする。
論文参考訳（メタデータ） (2021-12-04T06:51:55Z)
Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-25T08:45:14Z)
Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2020-02-21T05:00:01Z)
Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。