論文の概要: A Comparative Study of Using Spatial-Temporal Graph Convolutional Networks for Predicting Availability in Bike Sharing Schemes

• arxiv url: http://arxiv.org/abs/2104.10644v1
• Date: Wed, 21 Apr 2021 17:13:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 14:09:53.257360
• Title: A Comparative Study of Using Spatial-Temporal Graph Convolutional Networks for Predicting Availability in Bike Sharing Schemes
• Title（参考訳）: 自転車共有方式の可用性予測のための空間時間グラフ畳み込みネットワークの比較検討
• Authors: Zhengyong Chen, Hongde Wu, Noel E. O'Connor, Mingming Liu
• Abstract要約: 都市における自転車シェアリングシステムの利用可能な自転車の数を予測するための注意ベースのST-GCN(AST-GCN)を紹介します。 実験結果はdublinbikesとnyc-citi bikeの2つの実世界のデータセットを用いて提示した。
• 参考スコア（独自算出の注目度）: 13.819341724635319
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately forecasting transportation demand is crucial for efficient urban traffic guidance, control and management. One solution to enhance the level of prediction accuracy is to leverage graph convolutional networks (GCN), a neural network based modelling approach with the ability to process data contained in graph based structures. As a powerful extension of GCN, a spatial-temporal graph convolutional network (ST-GCN) aims to capture the relationship of data contained in the graphical nodes across both spatial and temporal dimensions, which presents a novel deep learning paradigm for the analysis of complex time-series data that also involves spatial information as present in transportation use cases. In this paper, we present an Attention-based ST-GCN (AST-GCN) for predicting the number of available bikes in bike-sharing systems in cities, where the attention-based mechanism is introduced to further improve the performance of a ST-GCN. Furthermore, we also discuss the impacts of different modelling methods of adjacency matrices on the proposed architecture. Our experimental results are presented using two real-world datasets, Dublinbikes and NYC-Citi Bike, to illustrate the efficacy of our proposed model which outperforms the majority of existing approaches.
• Abstract（参考訳）: 交通需要の正確な予測は、効率的な都市交通指導・管理・管理に不可欠である。 予測精度のレベルを高めるひとつの解決策は、グラフベースの構造に含まれるデータを処理できるニューラルネットワークベースのモデリングアプローチであるgraph convolutional networks(gcn)を活用することだ。 GCNの強力な拡張として、空間時間グラフ畳み込みネットワーク(ST-GCN)は、空間的および時間的次元のグラフィカルノードに含まれるデータの関係を捉えることを目的としている。 本稿では,st-gcnの性能向上のために注意に基づく機構を導入する都市における自転車シェアリングシステムにおいて,利用可能な自転車数を予測するための注意型st-gcn(ast-gcn)を提案する。 さらに,提案するアーキテクチャに対する隣接行列の異なるモデリング手法の影響についても考察する。 実験の結果,ダブリンバイクとニューヨークシティバイクの2つの実世界のデータセットを用いて,提案モデルの有効性を実証した。

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)
• Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach [54.84957282120537]
  本稿では,リンクレベルの自転車のボリュームをモデル化するために,グラフ畳み込みネットワークアーキテクチャを利用する最初の研究について述べる。 オーストラリア,メルボルン市全体での年間平均自転車数(AADB)を,Strava Metro の自転車数データを用いて推定した。 以上の結果から,GCNモデルは従来のAADB数予測モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-10-11T04:53:18Z)
• Graph Pruning Based Spatial and Temporal Graph Convolutional Network with Transfer Learning for Traffic Prediction [0.0]
  本研究では,グラフプルーニングと転送学習の枠組みに基づく新しい時空間畳み込みネットワーク(TL-GPSTGN)を提案する。 その結果、単一のデータセット上でのTL-GPSTGNの異常な予測精度と、異なるデータセット間の堅牢なマイグレーション性能が示された。
  論文  参考訳（メタデータ） (2024-09-25T00:59:23Z)
• Context-aware knowledge graph framework for traffic speed forecasting using graph neural network [5.96412390867876]
  本研究では,空間的・時間的文脈をモデル化し,交通速度予測を強化するためのコンテキスト対応知識グラフ(CKG)フレームワークを提案する。 CKG-GNNモデルでは、CKG、デュアルビューマルチヘッド自己アテンション(MHSA)、ニューラルネットワーク(GNN)を組み合わせて、コンテキスト認識表現を用いてトラフィック速度を予測するように設計されている。 CKG-GNNモデルはベンチマークモデルを超え、平均3.46pm0.01ドルのMAEと14.76pm0.09%ドルのMAPEを10分から120分で達成している。
  論文  参考訳（メタデータ） (2024-07-25T01:52:12Z)
• WEST GCN-LSTM: Weighted Stacked Spatio-Temporal Graph Neural Networks for Regional Traffic Forecasting [0.8215320771752098]
  本研究の目的は,従来の時間的グラフニューラルネットワークアーキテクチャの拡張である。 エンドプロダクトは、WEST(Weighted STacked) GCN-LSTMと呼ばれる新しい時間グラフネットワークニューラルネットワークアーキテクチャである。
  論文  参考訳（メタデータ） (2024-05-01T15:19:19Z)
• 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)
• A spatial-temporal short-term traffic flow prediction model based on dynamical-learning graph convolution mechanism [0.0]
  短期的な交通流予測は知的交通システム(ITS)の重要な分岐であり、交通管理において重要な役割を果たしている。 グラフ畳み込みネットワーク(GCN)は道路網のグラフィカルな構造データを扱うために交通予測モデルで広く利用されている。 この欠点に対処するために、新しい位置グラフ畳み込みネットワーク(Location-GCN)を提案する。
  論文  参考訳（メタデータ） (2022-05-10T09:19:12Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  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。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• 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)
• Bayesian Spatio-Temporal Graph Convolutional Network for Traffic Forecasting [22.277878492878475]
  本稿では,BSTGCN (Bayesian S-temporal Contemporal Graphal Network) を提案する。 ネットワーク内のグラフ構造は,道路網の物理的トポロジと交通データからエンドツーエンドに学習する。 実世界の2つのデータセットに対する本手法の有効性を検証し,BSTGCNが最先端の手法と比較して優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2020-10-15T03:41:37Z)
• 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。