論文の概要: SST-GNN: Simplified Spatio-temporal Traffic forecasting model using
Graph Neural Network
- arxiv url: http://arxiv.org/abs/2104.00055v1
- Date: Wed, 31 Mar 2021 18:28:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-02 13:31:55.514138
- Title: SST-GNN: Simplified Spatio-temporal Traffic forecasting model using
Graph Neural Network
- Title（参考訳）: SST-GNN:グラフニューラルネットワークを用いた簡易時空間交通予測モデル
- Authors: Amit Roy, Kashob Kumar Roy, Amin Ahsan Ali, M Ashraful Amin, and A K M
Mahbubur Rahman
- Abstract要約: 我々は,SST-GNN(SST-GNN)を簡易に設計し,異なる地区を個別に集約することで依存性を効果的に符号化した。
我々は,本モデルが3つの実環境トラフィックデータセットの最先端モデルよりも大幅に優れていることを示した。
- 参考スコア（独自算出の注目度）: 2.524966118517392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To capture spatial relationships and temporal dynamics in traffic data,
spatio-temporal models for traffic forecasting have drawn significant attention
in recent years. Most of the recent works employed graph neural networks(GNN)
with multiple layers to capture the spatial dependency. However, road junctions
with different hop-distance can carry distinct traffic information which should
be exploited separately but existing multi-layer GNNs are incompetent to
discriminate between their impact. Again, to capture the temporal
interrelationship, recurrent neural networks are common in state-of-the-art
approaches that often fail to capture long-range dependencies. Furthermore,
traffic data shows repeated patterns in a daily or weekly period which should
be addressed explicitly. To address these limitations, we have designed a
Simplified Spatio-temporal Traffic forecasting GNN(SST-GNN) that effectively
encodes the spatial dependency by separately aggregating different neighborhood
representations rather than with multiple layers and capture the temporal
dependency with a simple yet effective weighted spatio-temporal aggregation
mechanism. We capture the periodic traffic patterns by using a novel position
encoding scheme with historical and current data in two different models. With
extensive experimental analysis, we have shown that our model has significantly
outperformed the state-of-the-art models on three real-world traffic datasets
from the Performance Measurement System (PeMS).
- Abstract（参考訳）: 近年,交通データの空間的関係や時間的ダイナミクスを捉えるために,交通予測のための時空間モデルが注目されている。
最近の研究のほとんどは、空間依存を捉えるために複数の層を持つグラフニューラルネットワーク(gnn)を使用していた。
しかし、異なるホップ距離の道路ジャンクションは、個別に活用すべき異なる交通情報を運ぶことができるが、既存の多層GNNは影響を区別する能力がない。
繰り返しになるが、時間的相互関係を捉えるために、リカレントニューラルネットワークは、しばしば長距離依存関係をキャプチャできない最先端のアプローチで一般的である。
さらに、トラフィックデータは、明示的に対処すべき毎日または毎週のパターンを繰り返し示す。
これらの制約に対処するために、複数の層ではなく異なる近傍表現を個別に集約して空間依存性を効果的に符号化するSST-GNN(Simplified Spatio-temporal Traffic forecasting GNN)を設計した。
我々は,2つの異なるモデルにおいて,歴史的および現在のデータを用いた新しい位置符号化方式を用いて,周期的なトラフィックパターンをキャプチャする。
性能測定システム(pems)の3つの実世界のトラヒックデータセットにおいて,本モデルが最先端モデルを大幅に上回っていることを示した。
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 Hypergraph Structure Learning for Traffic Flow Forecasting [35.0288931087826]
交通流予測は、過去のネットワークと交通条件に基づいて将来の交通状況を予測することを目的としている。
この問題は、遠時ニューラルネットワーク(GNN)を用いた交通データにおける複雑な時間相関をモデル化することによって、典型的に解決される。
既存の手法は、近隣情報を線形に集約するメッセージパッシングのパラダイムに従っている。
本稿では,交通流予測のための動的ハイパー構造学習(DyHSL)モデルを提案する。
論文 参考訳（メタデータ） (2023-09-21T12:44:55Z) - 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) - 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) - 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) - 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) - Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow
Forecasting [35.072979313851235]
交通流の空間的-時間的データ予測は複雑な空間的依存性と道路間の時間的パターンの動的傾向のために難しい課題である。
既存のフレームワークは通常、与えられた空間隣接グラフと、空間的および時間的相関をモデル化する洗練されたメカニズムを利用する。
本稿では,交通流予測のための空間時間融合グラフニューラルネットワーク(STFGNN)を提案する。
論文 参考訳（メタデータ） (2020-12-15T14:03:17Z) - 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) - 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。