Fugu-MT 論文翻訳(概要): Partitioned Graph Convolution Using Adversarial and Regression Networks for Road Travel Speed Prediction

論文の概要: Partitioned Graph Convolution Using Adversarial and Regression Networks for Road Travel Speed Prediction

arxiv url: http://arxiv.org/abs/2103.00067v1
Date: Fri, 26 Feb 2021 22:16:48 GMT
ステータス: 処理完了
システム内更新日: 2021-03-05 10:41:32.430632
Title: Partitioned Graph Convolution Using Adversarial and Regression Networks for Road Travel Speed Prediction
Title（参考訳）: 道路走行速度予測のための逆・回帰ネットワークを用いた分割グラフ畳み込み
Authors: Jakob Meldgaard Kj{\ae}r, Lasse Kristensen, Mads Alberg Christensen
Abstract要約: データレスエッジの道路セグメント走行速度ヒストグラムを予測するためのフレームワークを提案する。このフレームワークは、71.5%の交差と78.5%の移動速度ヒストグラムの予測における相関の精度を実現する。実験によると、データセットをクラスタに分割すると、フレームワークのパフォーマンスが向上する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Access to quality travel time information for roads in a road network has become increasingly important with the rising demand for real-time travel time estimation for paths within road networks. In the context of the Danish road network (DRN) dataset used in this paper, the data coverage is sparse and skewed towards arterial roads, with a coverage of 23.88% across 850,980 road segments, which makes travel time estimation difficult. Existing solutions for graph-based data processing often neglect the size of the graph, which is an apparent problem for road networks with a large amount of connected road segments. To this end, we propose a framework for predicting road segment travel speed histograms for dataless edges, based on a latent representation generated by an adversarially regularized convolutional network. We apply a partitioning algorithm to divide the graph into dense subgraphs, and then train a model for each subgraph to predict speed histograms for the nodes. The framework achieves an accuracy of 71.5% intersection and 78.5% correlation on predicting travel speed histograms using the DRN dataset. Furthermore, experiments show that partitioning the dataset into clusters increases the performance of the framework. Specifically, partitioning the road network dataset into 100 clusters, with approximately 500 road segments in each cluster, achieves a better performance than when using 10 and 20 clusters.
Abstract（参考訳）: 道路網内の経路のリアルタイム走行時間推定の需要が高まり、道路網内の道路の品質走行時間情報へのアクセスがますます重要になっている。本稿では, デンマーク道路網(drn)データ集合の文脈において, 走行時間推定が困難となる850,980区間の23.88%を対象として, 動脈道路に対してデータカバレッジがばらばらで歪曲していることを示す。グラフベースのデータ処理の既存のソリューションは、しばしばグラフのサイズを無視するが、これは大量の接続された道路セグメントを持つ道路ネットワークにとって明らかな問題である。そこで本研究では,逆正規化畳み込みネットワークによって生成された潜在表現に基づいて,データレスエッジの道路セグメント走行速度ヒストグラムを予測する枠組みを提案する。分割アルゴリズムを適用してグラフを高密度サブグラフに分割し、各サブグラフのモデルをトレーニングしてノードの速度ヒストグラムを予測します。このフレームワークは、DRNデータセットを用いた走行速度ヒストグラムの予測において、71.5%の交差点と78.5%の相関の精度を実現する。さらに、データセットをクラスタに分割することで、フレームワークのパフォーマンスが向上することを示した。具体的には、道路ネットワークデータセットを100のクラスタに分割し、各クラスタに約500の道路セグメントがあり、10および20のクラスタを使用する場合よりも優れたパフォーマンスを実現します。

関連論文リスト

Graph Construction with Flexible Nodes for Traffic Demand Prediction [44.1996864038085]
本稿では,自由フローティング交通モードに適したグラフ構築手法を提案する。グラフ内のノードのフレキシブルな位置決めを決定するために,新しい密度ベースクラスタリングアルゴリズム (HDPC-L) を提案する。深セン自転車シェアリングデータセットとハイコウライドシェアリングデータセットの2つの実世界のデータセットに関する総合的な実験は、この手法がモデルの性能を大幅に改善することを示している。
論文参考訳（メタデータ） (2024-03-01T04:38:51Z)
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)
MGL2Rank: Learning to Rank the Importance of Nodes in Road Networks Based on Multi-Graph Fusion [7.835154677901744]
既存の交通ネットワークにおけるノードの重要性を評価する方法は、位相情報と交通量のみを考慮する。本稿では,ノードの重要性をランク付けするために,道路網の豊富な特徴を統合するグラフ学習ベースのフレームワーク(MGL2Rank)を提案する。
論文参考訳（メタデータ） (2023-05-20T13:46:44Z)
Hierarchical Graph Structures for Congestion and ETA Prediction [0.0]
Traffic4castは、リアルタイムデータに基づいて時間的トラフィックを予測するための年次コンペティションである。本論文では,OpenStreetMapデータから抽出した道路グラフトポロジを直接処理するニューラルネットワークを用いたアプローチを提案する。我々のアーキテクチャは階層的なグラフ表現を組み込んで、グラフの鍵交点とそれらを接続する最短経路の間の情報の流れを改善することができる。
論文参考訳（メタデータ） (2022-11-21T15:35:27Z)
SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
道路抽出は、自律航法システムを構築するための重要なステップである。この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
論文参考訳（メタデータ） (2021-09-16T03:52:17Z)
Scalable Learning With a Structural Recurrent Neural Network for Short-Term Traffic Prediction [12.550067622364162]
本稿では,道路網における交通履歴データに基づく短期交通予測のためのスケーラブルな深層学習手法を提案する。道路ネットワークのデータで訓練されたSRNNモデルは、訓練するパラメータの固定数で、異なる道路ネットワークのトラフィック速度を予測することができます。
論文参考訳（メタデータ） (2021-03-03T18:21:49Z)
Road Scene Graph: A Semantic Graph-Based Scene Representation Dataset for Intelligent Vehicles [72.04891523115535]
本稿では,車載用特別シーングラフである道路シーングラフを提案する。オブジェクトの提案だけでなく、ペアワイドな関係も提供します。それらをトポロジカルグラフで整理することで、これらのデータは説明可能であり、完全に接続され、GCNによって容易に処理できる。
論文参考訳（メタデータ） (2020-11-27T07:33:11Z)
Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文参考訳（メタデータ） (2020-06-24T04:45:14Z)
VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation [74.56282712099274]
本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
論文参考訳（メタデータ） (2020-05-08T19:07:03Z)
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)
Street-level Travel-time Estimation via Aggregated Uber Data [2.838842554577539]
都市部における道路セグメントに沿った時間的パターンの推定は,交通技術者や都市計画者にとって重要な課題である。本研究では,大都市圏の街路レベルの走行時間を推定するために,粗粒度および集約された走行時間データを活用する手法を提案する。
論文参考訳（メタデータ） (2020-01-13T21:14:38Z)

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。