論文の概要: Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs
- arxiv url: http://arxiv.org/abs/2104.13414v1
- Date: Tue, 27 Apr 2021 18:17:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-29 22:15:27.491800
- Title: Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs
- Title（参考訳）: グラフ上の時空間相関を用いた交通ネットワーク上の交通信号予測
- Authors: Semin Kwak, Nikolas Geroliminis, Pascal Frossard
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 56.48498624951417
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Forecasting multivariate time series is challenging as the variables are
intertwined in time and space, like in the case of traffic signals. Defining
signals on graphs relaxes such complexities by representing the evolution of
signals over a space using relevant graph kernels such as the heat diffusion
kernel. However, this kernel alone does not fully capture the actual dynamics
of the data as it only relies on the graph structure. The gap can be filled by
combining the graph kernel representation with data-driven models that utilize
historical data. This paper proposes a traffic propagation model that merges
multiple heat diffusion kernels into a data-driven prediction model to forecast
traffic signals. We optimize the model parameters using Bayesian inference to
minimize the prediction errors and, consequently, determine the mixing ratio of
the two approaches. Such mixing ratio strongly depends on training data size
and data anomalies, which typically correspond to the peak hours for traffic
data. The proposed model demonstrates prediction accuracy comparable to that of
the state-of-the-art deep neural networks with lower computational effort. It
particularly shows excellent performance for long-term prediction since it
inherits the data-driven models' periodicity modeling.
- Abstract（参考訳）: 多変量時系列の予測は、信号の場合のように変数が時間と空間に絡み合っているため困難である。
グラフ上の信号の定義は、熱拡散核のような関連するグラフ核を用いて空間上の信号の進化を表現することによって、そのような複雑度を緩和する。
しかし、このカーネルだけでは、グラフ構造にのみ依存するため、データの実際のダイナミクスを完全には捉えない。
グラフカーネル表現と過去のデータを利用するデータ駆動モデルを組み合わせることで、ギャップを埋めることができる。
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。
このような混合比はトレーニングデータサイズとデータ異常に大きく依存し、トラフィックデータのピーク時間に対応する。
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。
データ駆動モデルの周期性モデリングを継承するため、長期予測には特に優れたパフォーマンスを示す。
関連論文リスト
- A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。
モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
論文 参考訳（メタデータ） (2024-06-02T05:41:25Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - 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) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - Temporal Graph Neural Networks for Irregular Data [14.653008985229615]
TGNN4Iモデルは、不規則な時間ステップとグラフの部分的な観察の両方を扱うように設計されている。
時間連続力学により、任意の時間ステップでモデルを予測できる。
交通・気候モデルによるシミュレーションデータと実世界のデータの実験は、グラフ構造と時間連続力学の両方の有用性を検証する。
論文 参考訳（メタデータ） (2023-02-16T16:47:55Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:17:42Z) - Spatial-Temporal Tensor Graph Convolutional Network for Traffic
Prediction [46.762437988118386]
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。
論文 参考訳（メタデータ） (2021-03-10T15:28:07Z) - Short-Term Traffic Forecasting Using High-Resolution Traffic Data [2.0625936401496237]
本稿では,高分解能(イベントベース)トラフィックデータを用いた交通予測のためのデータ駆動ツールキットを開発した。
提案手法は,アラブ首長国連邦アブダビの現実世界の交通ネットワークから得られた高分解能データを用いて検証した。
論文 参考訳（メタデータ） (2020-06-22T14:26:19Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。