Fugu-MT 論文翻訳(概要): Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks

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

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)
ST-RetNet: A Long-term Spatial-Temporal Traffic Flow Prediction Method [1.8531577178922987]
時空間共振ネットワーク(ST-RetNet)と呼ばれる革新的なモデルを提案する。空間スケールでは,道路網の動的空間的特徴を抽出するために適応的隣接行列を用いて,位相グラフ構造を空間共役ネットワーク(S-RetNet)に統合する。時間的スケールでは,交通流パターンの長期的依存性の把握に優れたテンポラル・リテータ・ネットワーク(T-RetNet)を提案する。
論文参考訳（メタデータ） (2024-07-13T03:52:32Z)
TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文参考訳（メタデータ） (2024-04-15T06:01:48Z)
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)
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)

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。