論文の概要: Graph Theory for Metro Traffic Modelling
- arxiv url: http://arxiv.org/abs/2105.04991v1
- Date: Tue, 11 May 2021 12:52:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-12 13:51:30.794610
- Title: Graph Theory for Metro Traffic Modelling
- Title（参考訳）: 交通モデルのためのグラフ理論
- Authors: Bruno Scalzo Dees, Yao Lei Xu, Anthony G. Constantinides, Danilo P.
Mandic
- Abstract要約: 拡散法の観点からロンドン地下システムのモデリングのための基本的なグラフフレームワークを紹介します。
次に、このようなメトログラフ上のデータを処理するモデルを紹介する。
コミュータ運動は Fick の拡散の法則に従うことが示され、そこでグラフ Laplacian は解析モデルを提供する。
- 参考スコア（独自算出の注目度）: 30.20313152318824
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A unifying graph theoretic framework for the modelling of metro
transportation networks is proposed. This is achieved by first introducing a
basic graph framework for the modelling of the London underground system from a
diffusion law point of view. This forms a basis for the analysis of both
station importance and their vulnerability, whereby the concept of graph vertex
centrality plays a key role. We next explore k-edge augmentation of a graph
topology, and illustrate its usefulness both for improving the network
robustness and as a planning tool. Upon establishing the graph theoretic
attributes of the underlying graph topology, we proceed to introduce models for
processing data on such a metro graph. Commuter movement is shown to obey the
Fick's law of diffusion, where the graph Laplacian provides an analytical model
for the diffusion process of commuter population dynamics. Finally, we also
explore the application of modern deep learning models, such as graph neural
networks and hyper-graph neural networks, as general purpose models for the
modelling and forecasting of underground data, especially in the context of the
morning and evening rush hours. Comprehensive simulations including the
passenger in- and out-flows during the morning rush hour in London demonstrates
the advantages of the graph models in metro planning and traffic management, a
formal mathematical approach with wide economic implications.
- Abstract（参考訳）: 都市交通ネットワークのモデリングのための統一グラフ理論の枠組みを提案する。
これは、拡散法の観点から、まずロンドン地下システムのモデリングのための基本的なグラフフレームワークを導入することで達成される。
これはステーションの重要性と脆弱性の両方の分析の基礎となり、グラフ頂点中心性の概念が重要な役割を果たす。
次に,グラフトポロジのkエッジ拡張について検討し,ネットワークの堅牢性向上と計画ツールとしての有用性を説明する。
基礎となるグラフトポロジのグラフ理論特性を確立する際に、そのようなメトログラフ上のデータを処理するモデルを導入する。
通勤運動はフィックの拡散法則に従うことが示され、グラフラプラシアンは通勤人口動態の拡散過程の解析モデルを提供する。
最後に、特に朝と夕方のラッシュ時間における地下データのモデリングと予測のための汎用モデルとして、グラフニューラルネットワークやハイパーグラフニューラルネットワークなどの現代のディープラーニングモデルの適用についても検討する。
ロンドンでの朝のラッシュアワーの間、乗客の流入と流出を含む包括的なシミュレーションは、幅広い経済的意味を持つ形式的数学的アプローチである地下鉄計画と交通管理におけるグラフモデルの利点を示している。
関連論文リスト
- Towards a graph-based foundation model for network traffic analysis [3.0558245652654907]
基礎モデルはネットワークトラフィックの複雑さを把握でき、最小限の微調整で特定のタスクや環境に適応できる。
従来のアプローチではトークン化ヘックスレベルのパケットデータを使用していた。
本稿では,フローレベルでグラフベースの新しい代替案を提案する。
論文 参考訳（メタデータ） (2024-09-12T15:04:34Z) - Injecting Hamiltonian Architectural Bias into Deep Graph Networks for Long-Range Propagation [55.227976642410766]
グラフ内の情報拡散のダイナミクスは、グラフ表現学習に大きな影響を及ぼす重要なオープン問題である。
そこで我々は(ポート-)Hamiltonian Deep Graph Networksを紹介した。
我々は,非散逸的長距離伝播と非保守的行動の両方を,単一の理論的・実践的な枠組みで調整する。
論文 参考訳（メタデータ） (2024-05-27T13:36:50Z) - Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。
この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
論文 参考訳（メタデータ） (2024-02-13T14:13:17Z) - STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural Networks for Traffic Prediction [9.467593700532401]
本稿では,グラフ学習戦略と一般的なグラフ畳み込みアルゴリズムの体系的なレビューを行う。
次に、最近提案された空間時間グラフネットワークモデルの長所と短所を包括的に分析する。
ディープラーニングフレームワークPyTorchを用いたSTG4Trafficという研究を構築し,2種類のトラフィックデータセットに対して,標準化されたスケーラブルなベンチマークを確立する。
論文 参考訳（メタデータ） (2023-07-02T06:56:52Z) - 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) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。
このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。
kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
論文 参考訳（メタデータ） (2022-02-25T10:02:49Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳（メタデータ） (2021-05-17T15:33:25Z) - Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。
本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。
特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
論文 参考訳（メタデータ） (2021-04-06T01:44:15Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z) - EvoNet: A Neural Network for Predicting the Evolution of Dynamic Graphs [26.77596449192451]
動的グラフの進化を予測するモデルを提案する。
具体的には、動的グラフの時間的進化パターンを捉えるために、グラフニューラルネットワークと繰り返しアーキテクチャを使用します。
提案手法は,ネットワークの進化にともなう複数の人工データセットと実世界のデータセットを用いて評価する。
論文 参考訳（メタデータ） (2020-03-02T12:59:05Z)
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。