論文の概要: Urban Traffic Flow Forecast Based on FastGCRNN

• arxiv url: http://arxiv.org/abs/2009.08087v1
• Date: Thu, 17 Sep 2020 06:05:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 11:41:07.103766
• Title: Urban Traffic Flow Forecast Based on FastGCRNN
• Title（参考訳）: FastGCRNNに基づく都市交通流予測
• Authors: Ya Zhang, Mingming Lu, Haifeng Li
• Abstract要約: 高速グラフ同時並行ニューラルネットワーク(GCRN)を大規模ネットワークに適用するのは,計算量が多いため困難である。 本稿では,道路網を幾何学グラフに抽象化し,交通流の時空間依存性をモデル化するための高速グラフ同期ニューラルネットワーク(GCRN)を構築することを提案する。 具体的には、FastGCNユニットを使用して、重要サンプリングによる計算複雑性を低減し、グラフ内の道路と周辺道路のトポロジ的関係を効率的に把握する。
• 参考スコア（独自算出の注目度）: 14.445176586630465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic forecasting is an important prerequisite for the application of intelligent transportation systems in urban traffic networks. The existing works adopted RNN and CNN/GCN, among which GCRN is the state of art work, to characterize the temporal and spatial correlation of traffic flows. However, it is hard to apply GCRN to the large scale road networks due to high computational complexity. To address this problem, we propose to abstract the road network into a geometric graph and build a Fast Graph Convolution Recurrent Neural Network (FastGCRNN) to model the spatial-temporal dependencies of traffic flow. Specifically, We use FastGCN unit to efficiently capture the topological relationship between the roads and the surrounding roads in the graph with reducing the computational complexity through importance sampling, combine GRU unit to capture the temporal dependency of traffic flow, and embed the spatiotemporal features into Seq2Seq based on the Encoder-Decoder framework. Experiments on large-scale traffic data sets illustrate that the proposed method can greatly reduce computational complexity and memory consumption while maintaining relatively high accuracy.
• Abstract（参考訳）: 交通予測は、都市交通ネットワークにおけるインテリジェント交通システムの適用にとって重要な前提条件である。 既存の研究は、GCRNが芸術作品の状況であるRNNとCNN/GCNを採用し、交通流の時間的および空間的相関を特徴づけている。 しかし,計算量が多いため,大規模道路網にGCRNを適用することは困難である。 そこで本研究では,道路網を幾何グラフに抽象化し,高速グラフ畳み込みリカレントニューラルネットワーク(fastgcrnn)を構築し,トラヒックフローの時空間依存性をモデル化する。 具体的には、FastGCNユニットを使用して、重要サンプリングによる計算複雑性を低減し、グラフ内の道路と周辺道路のトポロジ的関係を効率的に把握し、GRUユニットを組み合わせてトラフィックフローの時間的依存性を捉え、Encoder-Decoderフレームワークに基づいた時空間特徴をSeq2Seqに埋め込む。 大規模トラフィックデータセットの実験により,提案手法は比較的高い精度を維持しながら,計算複雑性とメモリ消費を大幅に削減できることを示した。

関連論文リスト

• Temporal Graph Learning Recurrent Neural Network for Traffic Forecasting [27.20703077756038]
  これらの問題に対処するため,TGLRN(Temporal Graph Learning Recurrent Neural Network)を提案する。 より正確には、時系列の性質を効果的にモデル化するために、リカレントニューラルネットワーク(RNN)を活用し、各ステップでグラフを動的に構築する。 実世界の4つのベンチマークデータセットの実験結果から, TGLRNの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-04T19:08:40Z)
• Spatial-Temporal Hypergraph Neural Network for Traffic Forecasting [14.885921562410564]
  STHODE: S-Temporal Hypergraph Neural Ordinary Differential Equation Networkを提案する。 ロードネットワークトポロジとトラフィックダイナミクスを組み合わせて、トラフィックデータの高次時間依存性をキャプチャする。 4つの実世界の交通データセットを用いて実験を行い,提案モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2023-10-24T13:49:13Z)
• 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)
• 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)
• STLGRU: Spatio-Temporal Lightweight Graph GRU for Traffic Flow Prediction [0.40964539027092917]
  本稿では,交通流を正確に予測する新しい交通予測モデルSTLGRUを提案する。 提案するSTLGRUは,交通ネットワークの局所的・大域的空間的関係を効果的に捉えることができる。 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） (2022-12-08T20:24:59Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• 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)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• 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。