論文の概要: Passenger Mobility Prediction via Representation Learning for Dynamic Directed and Weighted Graph

• arxiv url: http://arxiv.org/abs/2101.00752v1
• Date: Mon, 4 Jan 2021 03:32:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 23:02:37.309687
• Title: Passenger Mobility Prediction via Representation Learning for Dynamic Directed and Weighted Graph
• Title（参考訳）: 動的有向重み付きグラフに対する表現学習による乗客移動予測
• Authors: Yuandong Wang and Hongzhi Yin and Tong Chen and Chunyang Liu and Ben Wang and Tianyu Wo and Jie Xu
• Abstract要約: 本稿では,gallat (graph prediction with all attention) という新たなグラフアテンションネットワークを提案する。 Gallatでは、DDWグラフの3つの本質的な特性を包括的に組み込むことにより、3つの注意層を構築し、すべての履歴時間スロットにわたって異なる地域間の依存関係を完全にキャプチャします。 提案モデルを実世界のデータセット上で評価し,gallatが最先端のアプローチを上回ることを示した。
• 参考スコア（独自算出の注目度）: 31.062303389341317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, ride-hailing services have been increasingly prevalent as they provide huge convenience for passengers. As a fundamental problem, the timely prediction of passenger demands in different regions is vital for effective traffic flow control and route planning. As both spatial and temporal patterns are indispensable passenger demand prediction, relevant research has evolved from pure time series to graph-structured data for modeling historical passenger demand data, where a snapshot graph is constructed for each time slot by connecting region nodes via different relational edges (e.g., origin-destination relationship, geographical distance, etc.). Consequently, the spatiotemporal passenger demand records naturally carry dynamic patterns in the constructed graphs, where the edges also encode important information about the directions and volume (i.e., weights) of passenger demands between two connected regions. However, existing graph-based solutions fail to simultaneously consider those three crucial aspects of dynamic, directed, and weighted (DDW) graphs, leading to limited expressiveness when learning graph representations for passenger demand prediction. Therefore, we propose a novel spatiotemporal graph attention network, namely Gallat (Graph prediction with all attention) as a solution. In Gallat, by comprehensively incorporating those three intrinsic properties of DDW graphs, we build three attention layers to fully capture the spatiotemporal dependencies among different regions across all historical time slots. Moreover, the model employs a subtask to conduct pretraining so that it can obtain accurate results more quickly. We evaluate the proposed model on real-world datasets, and our experimental results demonstrate that Gallat outperforms the state-of-the-art approaches.
• Abstract（参考訳）: 近年、乗客の利便性が大幅に向上し、配車サービスの普及が進んでいる。 交通流量の制御や経路計画の効率化には,各地域における乗客需要のタイムリーな予測が不可欠である。 空間パターンと時間パターンの両方が乗客需要予測に欠かせないため、関連する研究は純粋な時系列から歴史的な乗客需要データをモデル化するためのグラフ構造化データへと進化し、異なるリレーショナルエッジ(例えば、起源-運命関係、地理的距離など)を介して地域ノードを接続することで、各タイムスロット毎にスナップショットグラフを構築している。 従って、時空間的な旅客需要記録は、構築されたグラフに動的パターンを自然に含み、エッジは、2つの接続された領域間の旅客需要の方向と体積(すなわち重量)に関する重要な情報をエンコードする。 しかし、既存のグラフベースのソリューションは、動的、指向的、重み付けされた(DDW)グラフの3つの重要な側面を同時に考慮することができない。 そこで本稿では,gallat (graph prediction with all attention) を解として,新たな時空間グラフ注目ネットワークを提案する。 Gallatでは、DDWグラフのこれらの3つの固有の特性を包括的に組み込むことで、3つの注意層を構築し、すべての歴史的時間帯における異なる領域間の時空間依存性をフルに把握する。 さらに、モデルはサブタスクを使用して事前訓練を行い、より迅速に正確な結果を得ることができる。 提案モデルを実世界のデータセット上で評価し,gallatが最先端のアプローチを上回ることを示した。

関連論文リスト

• 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)
• Attention-based Dynamic Graph Convolutional Recurrent Neural Network for Traffic Flow Prediction in Highway Transportation [0.6650227510403052]
  高速道路交通における交通流予測を改善するために,注意に基づく動的グラフ畳み込みリカレントニューラルネットワーク(ADG-N)を提案する。 グラフ畳み込み演算のオーバーフィッティングを低減するために、高い相対ノードを強調する専用ゲートカーネルが完全なグラフ上に導入された。
  論文  参考訳（メタデータ） (2023-09-13T13:57:21Z)
• Local-Global Information Interaction Debiasing for Dynamic Scene Graph Generation [51.92419880088668]
  マルチタスク学習に基づく新しいDynSGGモデルDynSGG-MTLを提案する。 長期的人間の行動は、大域的な制約に適合する複数のシーングラフを生成するためにモデルを監督し、尾の述語を学べないモデルを避ける。
  論文  参考訳（メタデータ） (2023-08-10T01:24:25Z)
• STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural Networks for Traffic Prediction [9.467593700532401]
  本稿では,グラフ学習戦略と一般的なグラフ畳み込みアルゴリズムの体系的なレビューを行う。 次に、最近提案された空間時間グラフネットワークモデルの長所と短所を包括的に分析する。 ディープラーニングフレームワークPyTorchを用いたSTG4Trafficという研究を構築し,2種類のトラフィックデータセットに対して,標準化されたスケーラブルなベンチマークを確立する。
  論文  参考訳（メタデータ） (2023-07-02T06:56:52Z)
• D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
  本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。 実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
  論文  参考訳（メタデータ） (2022-07-21T10:19:07Z)
• 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)
• A Spatial-Temporal Attention Multi-Graph Convolution Network for Ride-Hailing Demand Prediction Based on Periodicity with Offset [9.897431292540393]
  ライドシェアリングは都市交通の中心となっている。 配車サービスの効率を向上させるためには、交通需要の正確な予測が根本的な課題である。 本稿では,ネットワーク構造とデータセットの定式化の両面からこの問題に対処する。
  論文  参考訳（メタデータ） (2022-03-23T16:03:55Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• A Context Integrated Relational Spatio-Temporal Model for Demand and Supply Forecasting [22.010040988816137]
  我々は、コンテキスト統合グラフニューラルネットワーク(CIGNN)という新しいコンテキスト統合関係モデルを提案する。 CIGNNは、時間的、リレーショナル、空間的、動的コンテキスト依存を多段階の事前需要予測に活用する。 CIGNNは、周期的および不規則な時系列ネットワークにおいて、最先端のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2020-09-25T22:55:36Z)
• Spatial-Temporal Dynamic Graph Attention Networks for Ride-hailing Demand Prediction [3.084885761077852]
  ライドシェアの需要予測は、リソースの事前配置、車の利用率の向上、ユーザエクスペリエンス向上に役立つ。 既存の配車需要予測手法は、近隣地域でのみ同様の重要性を割り当てている。 本研究では,新しい配車需要予測手法である空間時間動的グラフ注意ネットワーク(STDGAT)を提案する。
  論文  参考訳（メタデータ） (2020-06-07T13:00:19Z)

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。