論文の概要: Spatial-Temporal Dynamic Graph Attention Networks for Ride-hailing
Demand Prediction
- arxiv url: http://arxiv.org/abs/2006.05905v4
- Date: Sun, 17 Apr 2022 01:41:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 07:30:47.331435
- Title: Spatial-Temporal Dynamic Graph Attention Networks for Ride-hailing
Demand Prediction
- Title（参考訳）: 配車需要予測のための時空間動的グラフ注意ネットワーク
- Authors: Weiguo Pian, Yingbo Wu, Xiangmou Qu, Junpeng Cai, Ziyi Kou
- Abstract要約: ライドシェアの需要予測は、リソースの事前配置、車の利用率の向上、ユーザエクスペリエンス向上に役立つ。
既存の配車需要予測手法は、近隣地域でのみ同様の重要性を割り当てている。
本研究では,新しい配車需要予測手法である空間時間動的グラフ注意ネットワーク(STDGAT)を提案する。
- 参考スコア（独自算出の注目度）: 3.084885761077852
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ride-hailing demand prediction is an essential task in spatial-temporal data
mining. Accurate Ride-hailing demand prediction can help to pre-allocate
resources, improve vehicle utilization and user experiences. Graph
Convolutional Networks (GCN) is commonly used to model the complicated
irregular non-Euclidean spatial correlations. However, existing GCN-based
ride-hailing demand prediction methods only assign the same importance to
different neighbor regions, and maintain a fixed graph structure with static
spatial relationships throughout the timeline when extracting the irregular
non-Euclidean spatial correlations. In this paper, we propose the
Spatial-Temporal Dynamic Graph Attention Network (STDGAT), a novel ride-hailing
demand prediction method. Based on the attention mechanism of GAT, STDGAT
extracts different pair-wise correlations to achieve the adaptive importance
allocation for different neighbor regions. Moreover, in STDGAT, we design a
novel time-specific commuting-based graph attention mode to construct a dynamic
graph structure for capturing the dynamic time-specific spatial relationships
throughout the timeline. Extensive experiments are conducted on a real-world
ride-hailing demand dataset, and the experimental results demonstrate the
significant improvement of our method on three evaluation metrics RMSE, MAPE
and MAE over state-of-the-art baselines.
- Abstract（参考訳）: 配車需要予測は時空間データマイニングにおいて重要な課題である。
正確な配車需要予測は、リソースの事前配分、車両の利用率の向上、ユーザエクスペリエンス向上に役立つ。
グラフ畳み込みネットワーク(GCN)は、複雑な非ユークリッド空間相関をモデル化するために一般的に用いられる。
しかし, 既存のGCNベースの配車需要予測手法は, 隣接する地域ごとにのみ同じ重要性を割り当て, 不規則な非ユークリッド空間相関を抽出する際に, 時間軸を通して静的な空間関係を持つ固定グラフ構造を維持する。
本稿では,新しい配車需要予測手法である空間時間動的グラフ注意ネットワーク(STDGAT)を提案する。
GATの注意機構に基づいて、STDGATは異なるペアワイズ相関を抽出し、異なる隣接領域に対する適応的な重要性割り当てを実現する。
さらに,sdgatでは,時系列を通して動的時間特異的な空間関係を捉える動的グラフ構造を構築するために,新しい時間特異的通勤型グラフアテンションモードを設計する。
実世界の配車需要データセットを用いて大規模な実験を行い, 実験結果から, RMSE, MAPE, MAEの3つの評価指標において, 最先端のベースラインよりも大幅に改善されたことを示す。
関連論文リスト
- DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。
動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。
我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2024-08-13T15:21:46Z) - Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow
Forecasting [6.867331860819595]
複雑な時空間相関と非線形トラフィックパターンのため、交通予測は非常に困難である。
既存の研究は主に、空間的相関と時間的相関を別々に考慮して、そのような空間的・時間的依存関係をモデル化する。
本稿では,局所的マルチヘッド自己アテンションを用いた空間時間グラフ上での空間空間的・時間的相関を直接モデル化する。
論文 参考訳（メタデータ） (2022-07-09T19:21:00Z) - A Spatial-Temporal Attention Multi-Graph Convolution Network for
Ride-Hailing Demand Prediction Based on Periodicity with Offset [9.897431292540393]
ライドシェアリングは都市交通の中心となっている。
配車サービスの効率を向上させるためには、交通需要の正確な予測が根本的な課題である。
本稿では,ネットワーク構造とデータセットの定式化の両面からこの問題に対処する。
論文 参考訳（メタデータ） (2022-03-23T16:03:55Z) - CDGNet: A Cross-Time Dynamic Graph-based Deep Learning Model for Traffic
Forecasting [7.169972421976212]
トラフィック予測のための新しいクロスタイム動的グラフベースディープラーニングモデルCDGNetを提案する。
本研究では,実世界の空間的相関をスパースする時間的動的グラフをスパースするゲーティング機構を設計する。
論文 参考訳（メタデータ） (2021-12-06T01:56:07Z) - STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention
Network for Traffic Forecasting [7.232141271583618]
非効率な時空間継手線形注意(SSTLA)と呼ばれる交通予測のための新しいディープラーニングモデルを提案する。
SSTLAは、全時間ノード間のグローバル依存を効率的に捉えるために、ジョイントグラフに線形注意を適用する。
実世界の2つの交通データセットであるイングランドとテンポラル7の実験は、我々のSTJLAが最先端のベースラインよりも9.83%と3.08%の精度でMAE測定を達成できることを示した。
論文 参考訳（メタデータ） (2021-12-04T06:39:18Z) - 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) - 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) - Passenger Mobility Prediction via Representation Learning for Dynamic
Directed and Weighted Graph [31.062303389341317]
本稿では,gallat (graph prediction with all attention) という新たなグラフアテンションネットワークを提案する。
Gallatでは、DDWグラフの3つの本質的な特性を包括的に組み込むことにより、3つの注意層を構築し、すべての履歴時間スロットにわたって異なる地域間の依存関係を完全にキャプチャします。
提案モデルを実世界のデータセット上で評価し,gallatが最先端のアプローチを上回ることを示した。
論文 参考訳（メタデータ） (2021-01-04T03:32:01Z) - On the spatial attention in Spatio-Temporal Graph Convolutional Networks
for skeleton-based human action recognition [97.14064057840089]
カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。
最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
論文 参考訳（メタデータ） (2020-11-07T19:03:04Z) - 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) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z)
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。