論文の概要: Spatio-Temporal Hybrid Graph Convolutional Network for Traffic
Forecasting in Telecommunication Networks
- arxiv url: http://arxiv.org/abs/2009.09849v1
- Date: Thu, 17 Sep 2020 08:54:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 09:02:46.450069
- Title: Spatio-Temporal Hybrid Graph Convolutional Network for Traffic
Forecasting in Telecommunication Networks
- Title（参考訳）: 通信ネットワークにおける交通予測のための時空間ハイブリッドグラフ畳み込みネットワーク
- Authors: Marcus Kalander, Min Zhou, Chengzhi Zhang, Hanling Yi, Lujia Pan
- Abstract要約: 人口密度の高い大都市圏から収集したデータに基づいて, セルネットワークトラフィックの特性と, 依存関係の複雑度に光を当てた。
具体的には、トラフィックが動的および静的な空間依存性と多様な周期時間パターンの両方を示すことを観察する。
STHGCN(Spatio-Temporal Hybrid Graph Convolutional Network)という,ディープラーニングに基づく効果的なアプローチを提案する。
- 参考スコア（独自算出の注目度）: 8.753378989033322
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Telecommunication networks play a critical role in modern society. With the
arrival of 5G networks, these systems are becoming even more diversified,
integrated, and intelligent. Traffic forecasting is one of the key components
in such a system, however, it is particularly challenging due to the complex
spatial-temporal dependency. In this work, we consider this problem from the
aspect of a cellular network and the interactions among its base stations. We
thoroughly investigate the characteristics of cellular network traffic and shed
light on the dependency complexities based on data collected from a densely
populated metropolis area. Specifically, we observe that the traffic shows both
dynamic and static spatial dependencies as well as diverse cyclic temporal
patterns. To address these complexities, we propose an effective
deep-learning-based approach, namely, Spatio-Temporal Hybrid Graph
Convolutional Network (STHGCN). It employs GRUs to model the temporal
dependency, while capturing the complex spatial dependency through a hybrid-GCN
from three perspectives: spatial proximity, functional similarity, and recent
trend similarity. We conduct extensive experiments on real-world traffic
datasets collected from telecommunication networks. Our experimental results
demonstrate the superiority of the proposed model in that it consistently
outperforms both classical methods and state-of-the-art deep learning models,
while being more robust and stable.
- Abstract（参考訳）: 通信ネットワークは現代社会において重要な役割を担っている。
5gネットワークが登場し、これらのシステムはより多様化し、統合され、インテリジェントになっています。
このようなシステムにおいて,交通予測は重要な要素の1つであるが,複雑な時空間依存性のため,特に困難である。
本研究では,セルラーネットワークの側面と基地局間の相互作用からこの問題を考察する。
密集した都市圏から収集したデータをもとに,セルネットワークトラフィックの特性を徹底的に調査し,依存関係の複雑度を明らかにした。
具体的には、トラフィックは動的および静的な空間依存性と多様な周期時間パターンの両方を示す。
これらの複雑さに対処するために,STHGCN(Spatio-Temporal Hybrid Graph Convolutional Network)という,効果的なディープラーニングベースのアプローチを提案する。
grusを使って時間依存をモデル化し、空間的近接性、機能的類似性、最近の傾向類似性という3つの視点からハイブリッドgcnを介して複雑な空間依存を捉える。
通信ネットワークから収集した実世界の交通データセットについて広範な実験を行った。
実験結果は,従来の手法と最先端のディープラーニングモデルの両方を一貫して上回りながら,より堅牢で安定であることを示す。
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) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - 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) - DSTCGCN: Learning Dynamic Spatial-Temporal Cross Dependencies for
Traffic Forecasting [7.3669718660909735]
本研究では,動的空間依存と時間依存を協調的に学習する動的時空間グラフ畳み込みネットワークを提案する。
6つの実世界のデータセットの実験は、DSTCGCNが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2023-07-02T08:53:10Z) - 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) - Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。
空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。
SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。
SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
論文 参考訳（メタデータ） (2023-06-15T07:48:32Z) - Adaptive Hybrid Spatial-Temporal Graph Neural Network for Cellular
Traffic Prediction [19.88734776818291]
本稿では,携帯電話のトラフィック予測問題に対処するための新しいディープラーニングネットワークアーキテクチャを提案する。
まず、適応型ハイブリッドグラフ学習を用いて、セルタワー間の複合空間相関を学習する。
第2に、非線形時間依存を捉えるために、多周期時間データ入力を備えた時間的畳み込みモジュールを実装した。
論文 参考訳（メタデータ） (2023-02-28T06:46:50Z) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-25T03:37:00Z) - 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) - 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) - 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。