論文の概要: Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph
Convolutional Networks
- arxiv url: http://arxiv.org/abs/2103.07636v1
- Date: Sat, 13 Mar 2021 06:56:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 14:00:01.810169
- Title: Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph
Convolutional Networks
- Title(参考訳): グラフ畳み込みネットワークを用いた大規模車両ネットワークの時空間モデリング
- Authors: Juntong Liu, Yong Xiao, Yingyu Li, Guangming Shiyz, Walid Saad, and H.
Vincent Poor
- Abstract要約: SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。
深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。
その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
- 参考スコア(独自算出の注目度): 110.80088437391379
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The effective deployment of connected vehicular networks is contingent upon
maintaining a desired performance across spatial and temporal domains. In this
paper, a graph-based framework, called SMART, is proposed to model and keep
track of the spatial and temporal statistics of vehicle-to-infrastructure (V2I)
communication latency across a large geographical area. SMART first formulates
the spatio-temporal performance of a vehicular network as a graph in which each
vertex corresponds to a subregion consisting of a set of neighboring location
points with similar statistical features of V2I latency and each edge
represents the spatio-correlation between latency statistics of two connected
vertices. Motivated by the observation that the complete temporal and spatial
latency performance of a vehicular network can be reconstructed from a limited
number of vertices and edge relations, we develop a graph reconstruction-based
approach using a graph convolutional network integrated with a deep Q-networks
algorithm in order to capture the spatial and temporal statistic of feature map
pf latency performance for a large-scale vehicular network. Extensive
simulations have been conducted based on a five-month latency measurement study
on a commercial LTE network. Our results show that the proposed method can
significantly improve both the accuracy and efficiency for modeling and
reconstructing the latency performance of large vehicular networks.
- Abstract(参考訳): 接続された車両網の効果的な展開は、空間的および時間的領域にまたがる所望の性能を維持することに寄与する。
本稿では,大規模な地理的領域におけるV2I通信遅延の空間的および時間的統計をモデル化し,追跡するためのグラフベースのフレームワークSMARTを提案する。
SMARTはまず、各頂点がV2I遅延の類似した統計的特徴を有する隣接位置点の集合からなる部分領域に対応するグラフとして、車両ネットワークの時空間性能を定式化し、各エッジは、2つの連結頂点の遅延統計間の時空間相関を表します。
車両網の時間的および空間的遅延性能を限られた数の頂点とエッジの関係から再構築できるという観測に動機づけられ,大規模車両網における特徴マップpfレイテンシ性能の空間的および時間的統計を捉えるために,ディープq-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構成に基づくアプローチを開発した。
商用LTEネットワーク上での5ヶ月の遅延測定に基づく広範なシミュレーションが行われている。
提案手法は,大規模車両網の遅延性能をモデル化し,再構成するための精度と効率を大幅に向上できることを示す。
関連論文リスト
- 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) - Residual Graph Convolutional Recurrent Networks For Multi-step Traffic
Flow Forecasting [12.223433627287605]
我々は、Residual Graph Convolutional Recurrent Network(RGCRN)という新しい時空間予測モデルを提案する。
このモデルでは,提案したResidual Graph Convolutional Network (ResGCN) を用いて,道路網の微細な空間相関を捉える。
2つの実際のデータセットの比較実験の結果、RCCRNは最高のベースラインモデルと比較して平均20.66%改善していることがわかった。
論文 参考訳(メタデータ) (2022-05-03T13:23:38Z) - 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) - Graph-Based Spatial-Temporal Convolutional Network for Vehicle
Trajectory Prediction in Autonomous Driving [2.6774008509841005]
本稿では,グラフに基づく時空間畳み込みネットワーク(GSTCN)を提案する。
時空間の特徴を符号化し、ゲートリカレントユニット(GRU)ネットワークで復号し、将来の軌道分布を生成する。
次世代シミュレーション(NGSIM)におけるI-80とUS-101の2つの実世界の高速道路軌跡データを用いたネットワーク評価
論文 参考訳(メタデータ) (2021-09-27T02:20:38Z) - MAF-GNN: Multi-adaptive Spatiotemporal-flow Graph Neural Network for
Traffic Speed Forecasting [3.614768552081925]
交通速度予測のためのマルチ適応時空間フローグラフニューラルネットワーク(MAF-GNN)を提案する。
MAF-GNNは、トラフィックノード間の複数の遅延空間依存性をキャプチャする、効果的なマルチアダプティブ・アジャシエイト・マトリクス機構を導入している。
パブリックトラフィックネットワークの2つの実世界のデータセットであるMETR-LAとPeMS-Bayでは、他のモデルよりも優れたパフォーマンスを実現している。
論文 参考訳(メタデータ) (2021-08-08T09:06:43Z) - Spatial-Temporal Dual Graph Neural Networks for Travel Time Estimation [5.614908141182951]
時空間デュアルグラフニューラルネットワーク(STDGNN)を用いた旅行時間推定のためのグラフベースディープラーニングフレームワークを提案する。
まず,交差点と道路セグメントの複雑な相関関係を捉えるために,時空間二重グラフアーキテクチャを構築した。
交差点と道路セグメントの連立時空間ダイナミクスを捉えるために,空間時空間学習層を採用する。
論文 参考訳(メタデータ) (2021-05-28T05:15:45Z) - Unified Spatio-Temporal Modeling for Traffic Forecasting using Graph
Neural Network [2.7088996845250897]
このような分解加群との複素時間的関係を抽出するのは時間的効果が低いと我々は主張する。
空間的および時間的アグリゲーションを行う交通予測のための統一S週間グラフ畳み込み(USTGCN)を提案する。
我々のモデルUSTGCNは3つの人気のあるベンチマークデータセットで最先端のパフォーマンスを上回ります。
論文 参考訳(メタデータ) (2021-04-26T12:33:17Z) - On the spatial attention in Spatio-Temporal Graph Convolutional Networks
for skeleton-based human action recognition [97.14064057840089]
カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。
最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
論文 参考訳(メタデータ) (2020-11-07T19:03:04Z) - 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) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳(メタデータ) (2020-03-16T03:43:59Z)
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。