Fugu-MT 論文翻訳(概要): Graph Neural Network for Traffic Forecasting: A Survey

論文の概要: Graph Neural Network for Traffic Forecasting: A Survey

arxiv url: http://arxiv.org/abs/2101.11174v1
Date: Wed, 27 Jan 2021 02:35:41 GMT
ステータス: 処理完了
システム内更新日: 2021-02-02 02:05:05.464245
Title: Graph Neural Network for Traffic Forecasting: A Survey
Title（参考訳）: 交通予測のためのグラフニューラルネットワーク:調査
Authors: Weiwei Jiang, Jiayun Luo
Abstract要約: 本稿では,交通予測問題に対するグラフニューラルネットワークの適用を探求する,初めての総合的な調査である。我々は,各問題と今後の研究方向性について,オープンデータとソースリソースのコレクションを提示する。また、最新の論文、オープンデータ、およびソースリソースを更新するための公開Githubリポジトリも作成しました。
参考スコア（独自算出の注目度）: 1.1977931648859175
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Traffic forecasting is an important factor for the success of intelligent transportation systems. Deep learning models including convolution neural networks and recurrent neural networks have been applied in traffic forecasting problems to model the spatial and temporal dependencies. In recent years, to model the graph structures in the transportation systems as well as the contextual information, graph neural networks (GNNs) are introduced as new tools and have achieved the state-of-the-art performance in a series of traffic forecasting problems. In this survey, we review the rapidly growing body of recent research using different GNNs, e.g., graph convolutional and graph attention networks, in various traffic forecasting problems, e.g., road traffic flow and speed forecasting, passenger flow forecasting in urban rail transit systems, demand forecasting in ride-hailing platforms, etc. We also present a collection of open data and source resources for each problem, as well as future research directions. To the best of our knowledge, this paper is the first comprehensive survey that explores the application of graph neural networks for traffic forecasting problems. We have also created a public Github repository to update the latest papers, open data and source resources.
Abstract（参考訳）: 交通予測は、インテリジェントな交通システムの成功の重要な要因である。畳み込みニューラルネットワークと繰り返しニューラルネットワークを含むディープラーニングモデルは、空間的および時間的依存性をモデル化する交通予測問題に適用されている。近年,交通システムにおけるグラフ構造と文脈情報の両方をモデル化するために,グラフニューラルネットワーク(GNN)が新しいツールとして導入され,交通予測問題における最先端のパフォーマンスを実現している。本稿では,道路交通流と速度予測,都市鉄道交通システムにおける乗客フロー予測,配車プラットフォームにおける需要予測など,様々な交通予測問題において,グラフ畳み込みやグラフ注意ネットワークなどのgnnを用いた最近の研究が急速に進展していることについて概説する。また、各問題のためのオープンデータとソースリソースのコレクション、および今後の研究の方向性も提示します。我々の知る限り、この論文は交通予測問題に対するグラフニューラルネットワークの適用を探求する最初の総合的な調査である。また、最新の論文、オープンデータ、ソースリソースを更新するための公開Githubリポジトリも作成しました。

関連論文リスト

Graph Pruning Based Spatial and Temporal Graph Convolutional Network with Transfer Learning for Traffic Prediction [0.0]
本研究では,グラフプルーニングと転送学習の枠組みに基づく新しい時空間畳み込みネットワーク(TL-GPSTGN)を提案する。その結果、単一のデータセット上でのTL-GPSTGNの異常な予測精度と、異なるデータセット間の堅牢なマイグレーション性能が示された。
論文参考訳（メタデータ） (2024-09-25T00:59:23Z)
A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [98.41798478488101]
時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
論文参考訳（メタデータ） (2023-07-07T08:05:03Z)
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)
Graph-level Neural Networks: Current Progress and Future Directions [61.08696673768116]
グラフレベルのニューラルネットワーク(GLNN、ディープラーニングベースのグラフレベルの学習法)は、高次元データのモデリングにおいて優れているため、魅力的である。本稿では,深層ニューラルネットワーク,グラフニューラルネットワーク,グラフプール上でのGLNNを網羅する系統分類法を提案する。
論文参考訳（メタデータ） (2022-05-31T06:16:55Z)
LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
論文参考訳（メタデータ） (2022-03-24T03:31:18Z)
Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases [7.173242326298134]
多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
論文参考訳（メタデータ） (2022-03-08T09:46:50Z)
Graph Neural Networks for Traffic Forecasting [0.0]
本稿では,交通予測の課題に着目し,この問題に対するグラフニューラルネットワーク(GNN)の最近の開発と応用について概観する。 GNNは、入力を直接グラフデータとして処理する深層学習手法のクラスである。これにより、トラフィックデータの空間的依存関係をより直接的に活用し、ディープラーニングの利点を利用して最先端の結果が得られます。
論文参考訳（メタデータ） (2021-04-27T10:39:00Z)
Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
論文参考訳（メタデータ） (2020-12-10T22:30:25Z)
Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。我々は,新しいメタ学習フレームワークによってこの問題に対処する。我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文参考訳（メタデータ） (2020-06-11T17:42:46Z)
Traffic Flow Forecast of Road Networks with Recurrent Neural Networks [0.0]
効率的なインテリジェント交通システムには交通流の予測が不可欠である。本研究では, 様々なリカレントニューラルネットワークを用いて, この予測を行う。多くの場合、ゲート再帰単位を持つベクトル出力モデルは、テストセット上で最小の誤差を達成した。
論文参考訳（メタデータ） (2020-06-08T15:17:58Z)
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。