論文の概要: Hybrid Spatio-Temporal Graph Convolutional Network: Improving Traffic
Prediction with Navigation Data
- arxiv url: http://arxiv.org/abs/2006.12715v1
- Date: Tue, 23 Jun 2020 03:25:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 22:00:27.000427
- Title: Hybrid Spatio-Temporal Graph Convolutional Network: Improving Traffic
Prediction with Navigation Data
- Title（参考訳）: ハイブリッド時空間グラフ畳み込みネットワーク:ナビゲーションデータによる交通予測の改善
- Authors: Rui Dai, Shenkun Xu, Qian Gu, Chenguang Ji, Kaikui Liu
- Abstract要約: 本稿では,今後の交通量のデータを活用することで,将来の走行時間を「推定」できるHybrid Spatio-Temporal Graph Convolutional Network (H-STGCN)を提案する。
以上の結果から,H-STGCNは様々な指標,特に非再帰性渋滞の予測において,最先端の手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 7.394726159860848
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic forecasting has recently attracted increasing interest due to the
popularity of online navigation services, ridesharing and smart city projects.
Owing to the non-stationary nature of road traffic, forecasting accuracy is
fundamentally limited by the lack of contextual information. To address this
issue, we propose the Hybrid Spatio-Temporal Graph Convolutional Network
(H-STGCN), which is able to "deduce" future travel time by exploiting the data
of upcoming traffic volume. Specifically, we propose an algorithm to acquire
the upcoming traffic volume from an online navigation engine. Taking advantage
of the piecewise-linear flow-density relationship, a novel transformer
structure converts the upcoming volume into its equivalent in travel time. We
combine this signal with the commonly-utilized travel-time signal, and then
apply graph convolution to capture the spatial dependency. Particularly, we
construct a compound adjacency matrix which reflects the innate traffic
proximity. We conduct extensive experiments on real-world datasets. The results
show that H-STGCN remarkably outperforms state-of-the-art methods in various
metrics, especially for the prediction of non-recurring congestion.
- Abstract（参考訳）: 最近、オンラインナビゲーションサービスやライドシェアリング、スマートシティプロジェクトの人気により、交通予報が関心を集めている。
道路交通の非定常性により、予測精度は文脈情報の欠如によって基本的に制限される。
この問題に対処するため,我々は,交通量のデータを活用し,将来の移動時間を推定できるh-stgcn(hybrid spatio-temporal graph convolutional network)を提案する。
具体的には,オンラインナビゲーションエンジンから来るべき交通量を取得するアルゴリズムを提案する。
分割線形フロー密度関係を利用して、新しい変圧器構造は、今後の体積を移動時間における等価な体積に変換する。
この信号と一般利用の旅行時間信号を組み合わせて、グラフ畳み込みを適用して空間依存性を捉える。
特に,生来の交通の近接を反映する複合隣接行列を構築する。
実世界のデータセットに関する広範な実験を行う。
以上の結果から,H-STGCNは様々な指標,特に非再帰性渋滞の予測において,最先端の手法よりも優れていた。
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) - MA2GCN: Multi Adjacency relationship Attention Graph Convolutional
Networks for Traffic Prediction using Trajectory data [1.147374308875151]
本稿では,新しい交通渋滞予測モデルを提案する。マルチアジャシエンス関係アテンショングラフ畳み込みネットワーク(MA2GCN)。
車両軌跡データをグリッド形式でグラフ構造化データに変換し、異なるグリッド間の移動量に基づいて車両の進入・退避行列を提案した。
複数のベースラインと比較すると,上海タクシーのGPSトラジェクトリ・データセットで最高の性能を示した。
論文 参考訳（メタデータ） (2024-01-16T14:22:44Z) - Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity
Analysis [6.8775337739726226]
本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。
本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
論文 参考訳（メタデータ） (2023-08-20T14:31:55Z) - 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) - STCGAT: Spatial-temporal causal networks for complex urban road traffic
flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。
既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。
本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文 参考訳（メタデータ） (2022-03-21T06:38:34Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳（メタデータ） (2020-12-25T01:40:29Z) - KST-GCN: A Knowledge-Driven Spatial-Temporal Graph Convolutional Network
for Traffic Forecasting [8.490904938246347]
本研究では,時空間グラフ畳み込みネットワークに基づく知識表現型交通予測手法を提案する。
まず,交通予測のための知識グラフを構築し,KR-EARという知識表現学習手法を用いて知識表現を導出する。
そこで我々は,空間時間グラフ畳み込みバックボーンネットワークの入力として,知識とトラフィックの特徴を組み合わせた知識融合セル(KF-Cell)を提案する。
論文 参考訳（メタデータ） (2020-11-26T14:15:52Z) - A3T-GCN: Attention Temporal Graph Convolutional Network for Traffic
Forecasting [4.147625439377302]
A3T-GCN(A3T-GCN)トラヒック予測手法を提案した。
A3T-GCNモデルはゲートリカレントユニットを用いて時系列の短時間傾向を学習し,道路ネットワークのトポロジに基づいて空間依存性を学習する。
実世界のデータセットにおける実験結果は,提案したA3T-GCNの有効性とロバスト性を示す。
論文 参考訳（メタデータ） (2020-06-20T14:12:01Z) - 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。