論文の概要: Bayesian Spatio-Temporal Graph Convolutional Network for Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2010.07498v1
• Date: Thu, 15 Oct 2020 03:41:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 05:10:42.224020
• Title: Bayesian Spatio-Temporal Graph Convolutional Network for Traffic Forecasting
• Title（参考訳）: 交通予測のためのベイズ時空間グラフ畳み込みネットワーク
• Authors: Jun Fu and Wei Zhou and Zhibo Chen
• Abstract要約: 本稿では,BSTGCN (Bayesian S-temporal Contemporal Graphal Network) を提案する。 ネットワーク内のグラフ構造は,道路網の物理的トポロジと交通データからエンドツーエンドに学習する。 実世界の2つのデータセットに対する本手法の有効性を検証し,BSTGCNが最先端の手法と比較して優れた性能を発揮することを示した。
• 参考スコア（独自算出の注目度）: 22.277878492878475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In traffic forecasting, graph convolutional networks (GCNs), which model traffic flows as spatio-temporal graphs, have achieved remarkable performance. However, existing GCN-based methods heuristically define the graph structure as the physical topology of the road network, ignoring potential dependence of the graph structure over traffic data. And the defined graph structure is deterministic, which lacks investigation of uncertainty. In this paper, we propose a Bayesian Spatio-Temporal Graph Convolutional Network (BSTGCN) for traffic prediction. The graph structure in our network is learned from the physical topology of the road network and traffic data in an end-to-end manner, which discovers a more accurate description of the relationship among traffic flows. Moreover, a parametric generative model is proposed to represent the graph structure, which enhances the generalization capability of GCNs. We verify the effectiveness of our method on two real-world datasets, and the experimental results demonstrate that BSTGCN attains superior performance compared with state-of-the-art methods.
• Abstract（参考訳）: トラフィック予測において,トラフィックフローを時空間グラフとしてモデル化したグラフ畳み込みネットワーク(GCN)は,優れた性能を実現している。 しかし、既存のGCNベースの手法では、トラヒックデータに対するグラフ構造の潜在的依存を無視して、グラフ構造を道路ネットワークの物理的トポロジとしてヒューリスティックに定義している。 定義されたグラフ構造は決定論的であり、不確実性の調査を欠いている。 本稿では,交通予測のためのベイズ時空間グラフ畳み込みネットワーク(BSTGCN)を提案する。 本ネットワークのグラフ構造は,道路網と交通データの物理的トポロジーからエンドツーエンドで学習し,交通流間の関係をより正確に記述する。 さらに、GCNの一般化能力を高めるグラフ構造を表現するために、パラメトリック生成モデルを提案する。 実世界の2つのデータセットに対する本手法の有効性を検証し,BSTGCNが最先端の手法と比較して優れた性能を発揮することを示した。

関連論文リスト

• Dynamic Causal Graph Convolutional Network for Traffic Prediction [19.759695727682935]
  本稿では,時間変動動的ネットワークを組み込んだトラフィック予測手法を提案する。 次に、グラフ畳み込みネットワークを使用してトラフィック予測を生成します。 実交通データを用いた実験結果から,提案手法の予測性能が優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-12T10:46:31Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Hierarchical Graph Pooling is an Effective Citywide Traffic Condition Prediction Model [1.321203201549798]
  本稿では,2つの階層的なグラフプーリング手法を交通予測タスクに適用し,グラフ情報の冗長性を低減する。 階層的なグラフプーリング法は、予測性能において他のベースラインと対比される。 上記のグラフニューラルネットワークでは,異なるグラフネットワーク入力がトラフィック予測精度に与える影響を比較検討する。
  論文  参考訳（メタデータ） (2022-09-08T08:12:35Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Spatial-Temporal Interactive Dynamic Graph Convolution Network for Traffic Forecasting [1.52292571922932]
  本稿では,トラフィック予測のためのニューラルネットワークを用いた時空間動的グラフ畳み込みネットワーク(STIDGCN)を提案する。 そこで,STIDGCNでは,まず間隔でシーケンスを分割し,同時にトラフィックデータの時空間依存性を捉えるインタラクティブな動的グラフ畳み込み構造を提案する。 4つの実世界のトラフィックフローデータセットの実験は、STIDGCNが最先端のベースラインより優れていることを示した。
  論文  参考訳（メタデータ） (2022-05-18T01:59:30Z)
• A spatial-temporal short-term traffic flow prediction model based on dynamical-learning graph convolution mechanism [0.0]
  短期的な交通流予測は知的交通システム(ITS)の重要な分岐であり、交通管理において重要な役割を果たしている。 グラフ畳み込みネットワーク(GCN)は道路網のグラフィカルな構造データを扱うために交通予測モデルで広く利用されている。 この欠点に対処するために、新しい位置グラフ畳み込みネットワーク(Location-GCN)を提案する。
  論文  参考訳（メタデータ） (2022-05-10T09:19:12Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• Bayesian Graph Convolutional Network for Traffic Prediction [23.30484840210517]
  これらの問題を緩和するためにベイズグラフ畳み込みネットワーク(BGCN)フレームワークを提案する。 この枠組みの下では、グラフ構造はパラメトリック生成モデルからランダムな実現と見なされる。 本手法の有効性を5つの実世界データセットで検証し,BGCNが最新手法と比較して優れた性能を発揮することを実証した。
  論文  参考訳（メタデータ） (2021-04-01T14:19:37Z)
• 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。