論文の概要: TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network
for Traffic Flow Forecasting
- arxiv url: http://arxiv.org/abs/2011.14638v1
- Date: Mon, 30 Nov 2020 09:21:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 14:41:18.455692
- Title: TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network
for Traffic Flow Forecasting
- Title（参考訳）: TSSRGCN:交通流予測のための時間スペクトル空間検索グラフ畳み込みネットワーク
- Authors: Xu Chen, Yuanxing Zhang, Lun Du, Zheng Fang, Yi Ren, Kaigui Bian,
Kunqing Xie
- Abstract要約: 本稿では,ネットワークのグローバル性と局所性に着目したニューラルネットワークモデルを提案する。
2つの実世界のデータセットの実験により、このモデルが交通データの空間的時間的相関を精査できることが示されている。
- 参考スコア（独自算出の注目度）: 41.87633457352356
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic flow forecasting is of great significance for improving the
efficiency of transportation systems and preventing emergencies. Due to the
highly non-linearity and intricate evolutionary patterns of short-term and
long-term traffic flow, existing methods often fail to take full advantage of
spatial-temporal information, especially the various temporal patterns with
different period shifting and the characteristics of road segments. Besides,
the globality representing the absolute value of traffic status indicators and
the locality representing the relative value have not been considered
simultaneously. This paper proposes a neural network model that focuses on the
globality and locality of traffic networks as well as the temporal patterns of
traffic data. The cycle-based dilated deformable convolution block is designed
to capture different time-varying trends on each node accurately. Our model can
extract both global and local spatial information since we combine two graph
convolutional network methods to learn the representations of nodes and edges.
Experiments on two real-world datasets show that the model can scrutinize the
spatial-temporal correlation of traffic data, and its performance is better
than the compared state-of-the-art methods. Further analysis indicates that the
locality and globality of the traffic networks are critical to traffic flow
prediction and the proposed TSSRGCN model can adapt to the various temporal
traffic patterns.
- Abstract（参考訳）: 交通流予測は交通システムの効率化と緊急事態の防止に非常に重要である。
短期的・長期的交通流の高度に非線形で複雑な進化パターンのため、既存の手法は時空間情報、特に時間変化の異なる様々な時間パターンや道路セグメントの特徴を十分に活用できないことが多い。
また、交通状況指標の絶対値を表すグローバル性と相対値を表す局所性を同時に考慮していない。
本稿では,トラヒックデータの時間パターンに加えて,トラヒックネットワークのグローバル性と局所性に注目したニューラルネットワークモデルを提案する。
サイクルベースの拡張可能な変形可能な畳み込みブロックは、各ノードの異なる時間変化傾向を正確に捉えるように設計されている。
ノードとエッジの表現を学習するために2つのグラフ畳み込みネットワーク法を組み合わせることにより,グローバル空間情報とローカル空間情報の両方を抽出できる。
2つの実世界のデータセットにおける実験により、このモデルがトラヒックデータの空間的-時間的相関を検証できることが示され、その性能は比較された最先端の手法よりも優れている。
さらに解析した結果,交通流予測には交通ネットワークの局所性とグローバル性が重要であり,提案したTSSRGCNモデルが時間的交通パターンに適応できることが示唆された。
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) - Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework [2.9490249935740573]
FMPESTF(Fusion Matrix Prompt-Enhanced Self-Attention Space-Temporal Interactive Traffic Forecasting Framework)を提案する。
FMPESTFは、ダウンサンプリングトラフィックデータのための空間的および時間的モジュールで構成されている。
時間モデリングにおける注意機構を導入し,様々な交通シナリオに適応するための階層型時空間対話型学習を設計する。
論文 参考訳（メタデータ） (2024-10-12T03:47:27Z) - Deep Multi-View Channel-Wise Spatio-Temporal Network for Traffic Flow Prediction [18.008631008649658]
underlineMulti-underlineView underlineChannel-wise underlineSpatio-underlineTemporal underlineNetwork (MVC-STNet)
我々は,マルチチャネル交通流予測の新たな課題について検討し,深いアンダーラインMulti-underlineViewアンダーラインChannel-wiseアンダーラインTempを提案する。
論文 参考訳（メタデータ） (2024-04-23T13:39:04Z) - 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) - Decoupled Dynamic Spatial-Temporal Graph Neural Network for Traffic
Forecasting [27.82230529014677]
道路網における交通状況を予測する能力は重要な機能であり、課題である。
近年の時空間グラフニューラルネットワークの提案は,交通データにおける複雑な時空間相関のモデル化において大きな進歩を遂げている。
本稿では,データ駆動方式で拡散と固有トラフィック情報を分離する分散空間時間フレームワーク(DSTF)を提案する。
論文 参考訳（メタデータ） (2022-06-18T04:14:38Z) - Space Meets Time: Local Spacetime Neural Network For Traffic Flow
Forecasting [11.495992519252585]
このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。
交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。
提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
論文 参考訳（メタデータ） (2021-09-11T09:04:35Z) - 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。