論文の概要: Spatial-Temporal Dual Graph Neural Networks for Travel Time Estimation

• arxiv url: http://arxiv.org/abs/2105.13591v1
• Date: Fri, 28 May 2021 05:15:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-31 13:50:42.253503
• Title: Spatial-Temporal Dual Graph Neural Networks for Travel Time Estimation
• Title（参考訳）: 旅行時間推定のための時空間デュアルグラフニューラルネットワーク
• Authors: Guangyin Jin, Huan Yan, Fuxian Li, Jincai Huang, Yong Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.614908141182951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Travel time estimation is a basic but important part in intelligent transportation systems, especially widely applied in online map services to help travel navigation and route planning. Most previous works commonly model the road segments or intersections separately and obtain their spatial-temporal characteristics for travel time estimation. However, due to the continuous alternation of the road segments and intersections, the dynamic features of them are supposed to be coupled and interactive. Therefore, modeling one of them limits further improvement in accuracy of estimating travel time. To address the above problems, we propose a novel graph-based deep learning framework for travel time estimation, namely Spatial-Temporal Dual Graph Neural Networks (STDGNN). Specifically, we first establish the spatial-temporal dual graph architecture to capture the complex correlations of both intersections and road segments. The adjacency relations of intersections and that of road segments are respectively characterized by node-wise graph and edge-wise graph. In order to capture the joint spatial-temporal dynamics of the intersections and road segments, we adopt the spatial-temporal learning layer that incorporates the multi-scale spatial-temporal graph convolution networks and dual graph interaction networks. Followed by the spatial-temporal learning layer, we also employ the multi-task learning layer to estimate the travel time of a given whole route and each road segment simultaneously. We conduct extensive experiments to evaluate our proposed model on two real-world trajectory datasets, and the experimental results show that STDGNN significantly outperforms several state-of-art baselines.
• Abstract（参考訳）: 旅行時間推定は、インテリジェント交通システムにおいて基本的なものの重要な部分であり、特に旅行ナビゲーションやルート計画を支援するオンライン地図サービスで広く利用されている。 これまでのほとんどの研究は、道路セグメントや交差点を個別にモデル化し、旅行時間推定のための時空間特性を得る。 しかし,道路セグメントや交差点の連続的な変更により,それらの動的特徴は相互に結合し,相互に相互作用することが期待される。 したがって、その1つをモデル化することで、旅行時間を推定する精度がさらに向上する。 そこで本研究では,空間-時間双対グラフニューラルネットワーク (stdgnn) という,旅行時間推定のためのグラフベースの深層学習フレームワークを提案する。 具体的には、まず、交差点と道路セグメントの複雑な相関を捉えるために、時空間二重グラフアーキテクチャを確立する。 交差点の隣接関係と道路セグメントの隣接関係はそれぞれノードワイドグラフとエッジワイドグラフによって特徴づけられる。 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,多スケール空間時空間グラフ畳み込みネットワークとデュアルグラフ相互作用ネットワークを組み込んだ時空間学習層を採用する。 空間的時間的学習層に追従して、各経路と各道路区間の走行時間を同時に推定するためにマルチタスク学習層を用いる。 実世界の2つの軌跡データセット上で提案したモデルを評価するための広範囲な実験を行い,STDGNNがいくつかの最先端ベースラインを著しく上回ることを示す実験結果を得た。

関連論文リスト

• DSTCGCN: Learning Dynamic Spatial-Temporal Cross Dependencies for Traffic Forecasting [7.3669718660909735]
  本研究では,動的空間依存と時間依存を協調的に学習する動的時空間グラフ畳み込みネットワークを提案する。 6つの実世界のデータセットの実験は、DSTCGCNが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2023-07-02T08:53:10Z)
• Dynamic Graph Convolutional Network with Attention Fusion for Traffic Flow Prediction [10.3426659705376]
  本稿では,同期時空間相関をモデル化するための注意融合型動的グラフ畳み込みネットワークを提案する。 我々は、4つの実世界の交通データセットにおいて、我々の手法が18のベースライン法と比較して最先端の性能を上回ることを示す広範な実験を行った。
  論文  参考訳（メタデータ） (2023-02-24T12:21:30Z)
• D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
  本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。 実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
  論文  参考訳（メタデータ） (2022-07-21T10:19:07Z)
• 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)
• Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
  クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。 グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
  論文  参考訳（メタデータ） (2021-04-15T14:32:12Z)
• SST-GNN: Simplified Spatio-temporal Traffic forecasting model using Graph Neural Network [2.524966118517392]
  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。
  論文  参考訳（メタデータ） (2021-03-31T18:28:44Z)
• 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)
• 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)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。