論文の概要: Spatial-Temporal Tensor Graph Convolutional Network for Traffic
Prediction
- arxiv url: http://arxiv.org/abs/2103.06126v1
- Date: Wed, 10 Mar 2021 15:28:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 14:48:51.975843
- Title: Spatial-Temporal Tensor Graph Convolutional Network for Traffic
Prediction
- Title(参考訳): 交通予測のための時空間テンソルグラフ畳み込みネットワーク
- Authors: Xuran Xu, Tong Zhang, Chunyan Xu, Zhen Cui, and Jian Yang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 46.762437988118386
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate traffic prediction is crucial to the guidance and management of
urban traffics. However, most of the existing traffic prediction models do not
consider the computational burden and memory space when they capture
spatial-temporal dependence among traffic data. In this work, we propose a
factorized Spatial-Temporal Tensor Graph Convolutional Network to deal with
traffic speed prediction. Traffic networks are modeled and unified into a graph
that integrates spatial and temporal information simultaneously. We further
extend graph convolution into tensor space and propose a tensor graph
convolution network to extract more discriminating features from
spatial-temporal graph data. To reduce the computational burden, we take Tucker
tensor decomposition and derive factorized a tensor convolution, which performs
separate filtering in small-scale space, time, and feature modes. Besides, we
can benefit from noise suppression of traffic data when discarding those
trivial components in the process of tensor decomposition. Extensive
experiments on two real-world traffic speed datasets demonstrate our method is
more effective than those traditional traffic prediction methods, and meantime
achieves state-of-the-art performance.
- Abstract(参考訳): 都市交通の指導と管理には正確な交通予測が不可欠である。
しかし,既存の交通予測モデルの多くは,交通データ間の空間的時間的依存を捉える場合の計算負担やメモリ空間を考慮していない。
本研究では,トラヒック速度予測を扱うための因子化空間-時間テンソルグラフ畳み込みネットワークを提案する。
トラフィックネットワークは、空間情報と時間情報を同時に統合するグラフにモデル化および統合されます。
さらに、グラフ畳み込みをテンソル空間に拡張し、空間時間グラフデータからより識別性の高い特徴を抽出するテンソル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、我々はタッカーテンソル分解を取り、小さな空間、時間、および特徴モードで別々のフィルタリングを実行するテンソル畳み込みを導出する。
さらに、テンソル分解の過程でこれらの自明なコンポーネントを捨てる際に、トラフィックデータのノイズ抑制の恩恵を受ける。
2つの実世界のトラヒックスピードデータセットに関する広範囲な実験により、従来のトラヒック予測手法よりも効果が示され、その間に最先端のパフォーマンスが達成される。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳(メタデータ) (2024-11-01T00:37:00Z) - Dynamic Frequency Domain Graph Convolutional Network for Traffic
Forecasting [33.538633286142264]
ランダム要因による交通パターンと騒音の時間変化は、データ駆動型空間依存モデリングを妨げている。
本研究では,空間依存性を捉えるために,新しい動的周波数領域グラフ畳み込みネットワーク(DFDGCN)を提案する。
実世界の4つのデータセットの実験において,本モデルは有効であり,ベースラインを上回っている。
論文 参考訳(メタデータ) (2023-12-19T08:20:09Z) - 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) - Dynamic Causal Graph Convolutional Network for Traffic Prediction [19.759695727682935]
本稿では,時間変動動的ネットワークを組み込んだトラフィック予測手法を提案する。
次に、グラフ畳み込みネットワークを使用してトラフィック予測を生成します。
実交通データを用いた実験結果から,提案手法の予測性能が優れていることを示す。
論文 参考訳(メタデータ) (2023-06-12T10:46:31Z) - 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) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel
Attention-Based Spatio-Temporal Graph Convolutional Networks [4.318655493189584]
建設工事の影響下での交通速度予測モデルを提案する。
このモデルは、強力なアテンションベースの時間グラフ畳み込みアーキテクチャに基づいているが、様々なチャネルを利用して異なる情報ソースを統合する。
このモデルは、2つのベンチマークデータセットと、北バージニアの散らかった道路の角で収集した新しいデータセットで評価されている。
論文 参考訳(メタデータ) (2021-10-04T16:07:37Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳(メタデータ) (2021-04-27T18:17:42Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳(メタデータ) (2020-12-25T01:40:29Z)
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。