Fugu-MT 論文翻訳(概要): Graph modelling approaches for motorway traffic flow prediction

論文の概要: Graph modelling approaches for motorway traffic flow prediction

arxiv url: http://arxiv.org/abs/2006.14824v2
Date: Sat, 4 Jul 2020 05:28:58 GMT
ステータス: 処理完了
システム内更新日: 2022-11-16 22:08:40.732190
Title: Graph modelling approaches for motorway traffic flow prediction
Title（参考訳）: 道路交通流予測のためのグラフモデリング手法
Authors: Adriana-Simona Mihaita, Zac Papachatgis and Marian-Andrei Rizoiu
Abstract要約: 本稿では,シドニーの人気のある自動車道に沿って,正確な短期予測を構築するための2つの新しい時空間的アプローチを提案する。提案手法は, 道路沿いの各目標カウントステーションに対して, 直近で最も近い交通流情報を用いて, バックトラックと近接性を示す近接手法に基づいて構築される。その結果,10分以内の短期予測では,提案手法は最先端のディープラーニングモデルよりも優れていることがわかった。
参考スコア（独自算出の注目度）: 6.370406399003785
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Traffic flow prediction, particularly in areas that experience highly dynamic flows such as motorways, is a major issue faced in traffic management. Due to increasingly large volumes of data sets being generated every minute, deep learning methods have been used extensively in the latest years for both short and long term prediction. However, such models, despite their efficiency, need large amounts of historical information to be provided, and they take a considerable amount of time and computing resources to train, validate and test. This paper presents two new spatial-temporal approaches for building accurate short-term prediction along a popular motorway in Sydney, by making use of the graph structure of the motorway network (including exits and entries). The methods are built on proximity-based approaches, denoted backtracking and interpolation, which uses the most recent and closest traffic flow information for each of the target counting stations along the motorway. The results indicate that for short-term predictions (less than 10 minutes into the future), the proposed graph-based approaches outperform state-of-the-art deep learning models, such as long-term short memory, convolutional neuronal networks or hybrid models.
Abstract（参考訳）: 交通流の予測は、特に高速道路のような非常にダイナミックな流れを経験する地域では、交通管理において大きな問題となっている。毎分に大量のデータセットが生成されるようになり、近年では短期的・長期的な予測のためにディープラーニング手法が広く使われている。しかし、その効率性にもかかわらず、これらのモデルは大量の歴史的情報を提供する必要があり、訓練、検証、テストにかなりの時間と計算リソースを必要とする。本稿では,シドニーの人気のある高速道路に沿って正確な短期予測を構築するための2つの新しい時空間的アプローチについて,高速道路網のグラフ構造(出口や入り口を含む)を用いて述べる。この手法は、近距離に基づくアプローチ、すなわちバックトラッキングと補間(backtracking and interpolation)に基づいて構築され、高速道路に沿った各ターゲットカウントステーションの最新のおよび最も近いトラフィックフロー情報を使用する。その結果, 短期的予測(今後10分以内)では, 長期的短期記憶, 畳み込みニューロンネットワーク, ハイブリッドモデルなど, 最先端のディープラーニングモデルよりもグラフベースアプローチが優れていることが示された。

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)
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)
HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
HPNetは、新しい動的軌道予測手法である。逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
論文参考訳（メタデータ） (2024-04-09T14:42:31Z)
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)
Explainable Graph Pyramid Autoformer for Long-Term Traffic Forecasting [3.5908670236727933]
我々は,新しいピラミッド自己相関アテンション機構を用いた,説明可能な注意に基づく時空間グラフニューラルネットワークを開発した。我々のモデルは、いくつかの最先端手法よりも、最大で35%の長期交通予測精度を達成できる。
論文参考訳（メタデータ） (2022-09-27T02:31:06Z)
Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases [7.173242326298134]
多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
論文参考訳（メタデータ） (2022-03-08T09:46:50Z)
TrafficStream: A Streaming Traffic Flow Forecasting Framework Based on Graph Neural Networks and Continual Learning [10.205873494981633]
グラフニューラルネットワーク(GNN)と連続学習(CL)に基づくストリームトラフィックフロー予測フレームワークであるTrafficStreamを提案する。新たなトラフィックパターンをマイニングするために,JS-divergence に基づくアルゴリズムを提案する。モデルの有効性と有効性を検証するために,ストリーミングトラフィックデータセットを構築した。
論文参考訳（メタデータ） (2021-06-11T09:42:37Z)
Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文参考訳（メタデータ） (2021-04-27T18:17:42Z)
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)
Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
論文参考訳（メタデータ） (2020-06-23T08:49:46Z)
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。