論文の概要: Modeling Spatial Nonstationarity via Deformable Convolutions for Deep
Traffic Flow Prediction
- arxiv url: http://arxiv.org/abs/2101.12010v1
- Date: Fri, 8 Jan 2021 10:16:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 05:08:07.453912
- Title: Modeling Spatial Nonstationarity via Deformable Convolutions for Deep
Traffic Flow Prediction
- Title(参考訳): 深層交通流予測のための変形可能な畳み込みによる空間非定常のモデル化
- Authors: Wei Zeng, Chengqiao Lin, Kang Liu, Juncong Lin, Anthony K. H. Tung
- Abstract要約: DeFlow-Netは、ディープニューラルネットワーク用の変形可能な畳み込み残留ネットワークです。
DeFlow-Netは, 交通流の空間的依存, 局所的空間的非定常性, 時間的周期性を効果的にモデル化できることを示す。
- 参考スコア(独自算出の注目度): 12.73129937019653
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks are being increasingly used for short-term traffic flow
prediction. Existing convolution-based approaches typically partition an
underlying territory into grid-like spatial units, and employ standard
convolutions to learn spatial dependence among the units. However, standard
convolutions with fixed geometric structures cannot fully model the
nonstationary characteristics of local traffic flows. To overcome the
deficiency, we introduce deformable convolution that augments the spatial
sampling locations with additional offsets, to enhance the modeling capability
of spatial nonstationarity. On this basis, we design a deep deformable
convolutional residual network, namely DeFlow-Net, that can effectively model
global spatial dependence, local spatial nonstationarity, and temporal
periodicity of traffic flows. Furthermore, to fit better with convolutions, we
suggest to first aggregate traffic flows according to pre-conceived regions of
interest, then dispose to sequentially organized raster images for network
input. Extensive experiments on real-world traffic flows demonstrate that
DeFlow-Net outperforms existing solutions using standard convolutions, and
spatial partition by pre-conceived regions further enhances the performance.
Finally, we demonstrate the advantage of DeFlow-Net in maintaining spatial
autocorrelation, and reveal the impacts of partition shapes and scales on deep
traffic flow prediction.
- Abstract(参考訳): ディープニューラルネットワークは短期的なトラフィックフロー予測にますます使われている。
既存の畳み込みに基づくアプローチは通常、下層の領域を格子状の空間単位に分割し、標準畳み込みを用いて単位間の空間依存を学習する。
しかし、固定幾何構造を持つ標準畳み込みは局所交通流の非定常特性を完全にモデル化することはできない。
この不足を克服するために,空間的サンプリング位置を付加オフセットで拡張する変形可能な畳み込みを導入することで,空間的非定常性のモデル化能力を向上させる。
本研究では,大域空間依存性,局所空間非定常性,交通流の時間周期性を効果的にモデル化できる深部変形可能な畳み込み残差ネットワークであるDeFlow-Netを設計する。
さらに,コンボリューションに適合するため,まず関心領域に応じてトラフィックフローを集約し,次にネットワーク入力のために順次整理したラスタ画像に配置することを提案する。
実世界の交通流に関する大規模な実験により、DeFlow-Netは標準畳み込みを用いて既存のソリューションよりも優れており、先入観領域による空間分割により性能がさらに向上することが示された。
最後に,空間的自己相関の維持におけるDeFlow-Netの利点を実証し,分割形状やスケールが交通流の深部予測に与える影響を明らかにする。
関連論文リスト
- Transport-Hub-Aware Spatial-Temporal Adaptive Graph Transformer for
Traffic Flow Prediction [10.722455633629883]
本稿では交通流予測のためのトランスポート・ハブ対応時空間適応型グラフ変換器を提案する。
具体的には、動的空間依存を捉えるために、まず新しい空間自己認識モジュールを設計する。
また、トラフィックフローデータ中の動的時間パターンを検出するために、時間的自己アテンションモジュールを用いる。
論文 参考訳(メタデータ) (2023-10-12T13:44:35Z) - 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) - 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) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳(メタデータ) (2022-06-29T22:19:03Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳(メタデータ) (2021-09-29T07:51:49Z) - 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) - Spatial-Temporal Graph ODE Networks for Traffic Flow Forecasting [22.421667339552467]
時空間予測は幅広い応用において大きな注目を集めており、交通流予測は標準的で典型的な例である。
既存の研究は通常、浅いグラフ畳み込みネットワーク(GNN)と時間的抽出モジュールを使用して、それぞれ空間的および時間的依存関係をモデル化する。
テンソル型常微分方程式(ODE)を用いて時空間ダイナミクスを捉える時空間グラフ正規微分方程式ネットワーク(STGODE)を提案する。
我々は,複数の実世界の交通データセット上でモデルを評価し,最先端のベースライン上で優れた性能を実現する。
論文 参考訳(メタデータ) (2021-06-24T11:48:45Z) - Spatial-Temporal Tensor Graph Convolutional Network for Traffic
Prediction [46.762437988118386]
本稿では,交通速度予測に対処する空間時間グラフ畳み込みネットワークを提案する。
計算負荷を軽減するために、タッカーテンソル分解を行い、テンソル畳み込みを導出する。
2つの実世界の交通速度データセットの実験は、従来の交通予測方法よりも効果的な方法を示しています。
論文 参考訳(メタデータ) (2021-03-10T15:28:07Z) - TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network
for Traffic Flow Forecasting [41.87633457352356]
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。
論文 参考訳(メタデータ) (2020-11-30T09:21:43Z) - 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。