論文の概要: Coupled Layer-wise Graph Convolution for Transportation Demand Prediction

• arxiv url: http://arxiv.org/abs/2012.08080v1
• Date: Tue, 15 Dec 2020 04:10:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-07 05:17:48.717380
• Title: Coupled Layer-wise Graph Convolution for Transportation Demand Prediction
• Title（参考訳）: 交通需要予測のための結合層グラフ畳み込み
• Authors: Junchen Ye, Leilei Sun, Bowen Du, Yanjie Fu, Hui Xiong
• Abstract要約: グラフ畳み込みネットワーク(gcn)は輸送需要予測に広く適用されている。 本稿では,輸送需要予測のための新しいグラフ畳み込みネットワークを提案する。 実世界の2つのデータセット、NYC Citi BikeとNYC Taxiで実験が行われた。
• 参考スコア（独自算出の注目度）: 43.23120462553671
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Convolutional Network (GCN) has been widely applied in transportation demand prediction due to its excellent ability to capture non-Euclidean spatial dependence among station-level or regional transportation demands. However, in most of the existing research, the graph convolution was implemented on a heuristically generated adjacency matrix, which could neither reflect the real spatial relationships of stations accurately, nor capture the multi-level spatial dependence of demands adaptively. To cope with the above problems, this paper provides a novel graph convolutional network for transportation demand prediction. Firstly, a novel graph convolution architecture is proposed, which has different adjacency matrices in different layers and all the adjacency matrices are self-learned during the training process. Secondly, a layer-wise coupling mechanism is provided, which associates the upper-level adjacency matrix with the lower-level one. It also reduces the scale of parameters in our model. Lastly, a unitary network is constructed to give the final prediction result by integrating the hidden spatial states with gated recurrent unit, which could capture the multi-level spatial dependence and temporal dynamics simultaneously. Experiments have been conducted on two real-world datasets, NYC Citi Bike and NYC Taxi, and the results demonstrate the superiority of our model over the state-of-the-art ones.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)は,駅や地域交通需要の非ユークリッド空間依存性を捉える能力に優れており,交通需要予測に広く応用されている。 しかし,既存の研究のほとんどにおいて,グラフ畳み込みは,駅の実際の空間関係を正確に反映したり,要求の多段階空間依存性を適応的に捉えたりすることができない,ヒューリスティックに生成された隣接行列上に実装された。 上記の問題に対処するため,輸送需要予測のための新しいグラフ畳み込みネットワークを提案する。 まず,新しいグラフ畳み込み構造を提案し,異なる層に異なる隣接行列を配置し,学習中にすべての隣接行列を自己学習する。 第2に、上層の隣接行列と下層の行列とを関連付ける層ワイドカップリング機構を設ける。 また、モデルにおけるパラメータのスケールも削減します。 最後に、隠れた空間状態とゲートリカレント単位を統合して最終予測結果を与えるユニタリネットワークを構築し、マルチレベル空間依存と時間ダイナミクスを同時に捉えることができる。 実世界の2つのデータセット(nyc citi bikeとnyc taxi)で実験が行われ、最新モデルよりも優れたモデルが実証された。

関連論文リスト

• 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)
• Spatial-temporal traffic modeling with a fusion graph reconstructed by tensor decomposition [10.104097475236014]
  グラフ畳み込みネットワーク(GCN)は交通流予測に広く利用されている。 時空間グラフ隣接行列の設計はGCNの成功の鍵となる。 本稿では, テンソル分解による二元隣接行列の再構成を提案する。
  論文  参考訳（メタデータ） (2022-12-12T01:44:52Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• Spatial-Temporal Adaptive Graph Convolution with Attention Network for Traffic Forecasting [4.1700160312787125]
  交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。 まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。 第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
  論文  参考訳（メタデータ） (2022-06-07T09:08:35Z)
• PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting [4.14360329494344]
  我々は、プログレッシブグラフ畳み込みネットワーク(PGCN)と呼ばれる新しいトラフィック予測フレームワークを提案する。 PGCNは、トレーニングおよびテストフェーズ中にオンライン入力データに段階的に適応することで、グラフのセットを構築する。 提案したモデルでは,すべてのデータセットの一貫性を保ちながら,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-02-18T02:15:44Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• 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)
• Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
  グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。 しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。 本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2020-01-18T09:14:16Z)
• Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction [116.66657468425645]
  本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。 特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。 類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
  論文  参考訳（メタデータ） (2020-01-14T16:47:54Z)

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。