論文の概要: TrafficStream: A Streaming Traffic Flow Forecasting Framework Based on Graph Neural Networks and Continual Learning

• arxiv url: http://arxiv.org/abs/2106.06273v1
• Date: Fri, 11 Jun 2021 09:42:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 14:10:12.590596
• Title: TrafficStream: A Streaming Traffic Flow Forecasting Framework Based on Graph Neural Networks and Continual Learning
• Title（参考訳）: TrafficStream: グラフニューラルネットワークと連続学習に基づくストリーミングトラフィックフロー予測フレームワーク
• Authors: Xu Chen and Junshan Wang and Kunqing Xie
• Abstract要約: グラフニューラルネットワーク(GNN)と連続学習(CL)に基づくストリームトラフィックフロー予測フレームワークであるTrafficStreamを提案する。 新たなトラフィックパターンをマイニングするために,JS-divergence に基づくアルゴリズムを提案する。 モデルの有効性と有効性を検証するために,ストリーミングトラフィックデータセットを構築した。
• 参考スコア（独自算出の注目度）: 10.205873494981633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid growth of traffic sensors deployed, a massive amount of traffic flow data are collected, revealing the long-term evolution of traffic flows and the gradual expansion of traffic networks. How to accurately forecasting these traffic flow attracts the attention of researchers as it is of great significance for improving the efficiency of transportation systems. However, existing methods mainly focus on the spatial-temporal correlation of static networks, leaving the problem of efficiently learning models on networks with expansion and evolving patterns less studied. To tackle this problem, we propose a Streaming Traffic Flow Forecasting Framework, TrafficStream, based on Graph Neural Networks (GNNs) and Continual Learning (CL), achieving accurate predictions and high efficiency. Firstly, we design a traffic pattern fusion method, cleverly integrating the new patterns that emerged during the long-term period into the model. A JS-divergence-based algorithm is proposed to mine new traffic patterns. Secondly, we introduce CL to consolidate the knowledge learned previously and transfer them to the current model. Specifically, we adopt two strategies: historical data replay and parameter smoothing. We construct a streaming traffic dataset to verify the efficiency and effectiveness of our model. Extensive experiments demonstrate its excellent potential to extract traffic patterns with high efficiency on long-term streaming network scene. The source code is available at https://github.com/AprLie/TrafficStream.
• Abstract（参考訳）: 展開される交通センサの急速な増加に伴い、大量のトラフィックフローデータが収集され、トラフィックフローの長期的進化とトラフィックネットワークの段階的拡大が明らかになった。 これらの交通流を正確に予測する方法は,交通システムの効率向上に非常に重要であるとして,研究者の注目を集めている。 しかし、既存の手法は主に静的ネットワークの時空間相関に着目しており、拡張と進化パターンを持つネットワーク上で効率的にモデルを学習する問題は少ない。 そこで我々は,グラフニューラルネットワーク(GNN)と連続学習(CL)に基づくストリームトラフィックフロー予測フレームワークであるTrafficStreamを提案する。 まず,長期間に出現した新たなパターンをモデルに巧みに統合し,トラヒックパターン融合手法を設計する。 新しいトラフィックパターンをマイニングするために,JS分割に基づくアルゴリズムを提案する。 次に,学習した知識を統合して現在のモデルに移すclを提案する。 具体的には、履歴データの再生とパラメータスムーシングの2つの戦略を採用する。 モデルの有効性と有効性を検証するために,ストリーミングトラフィックデータセットを構築した。 大規模な実験は、長期ストリーミングネットワークシーンで高い効率でトラフィックパターンを抽出する優れた可能性を示している。 ソースコードはhttps://github.com/AprLie/TrafficStreamで入手できる。

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)
• 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)
• 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)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic Flow Patterns Using a Graph Convolutional Neural Network [1.3706331473063877]
  本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。 モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
  論文  参考訳（メタデータ） (2022-02-21T19:45:15Z)
• Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel Attention-Based Spatio-Temporal Graph Convolutional Networks [4.318655493189584]
  建設工事の影響下での交通速度予測モデルを提案する。 このモデルは、強力なアテンションベースの時間グラフ畳み込みアーキテクチャに基づいているが、様々なチャネルを利用して異なる情報ソースを統合する。 このモデルは、2つのベンチマークデータセットと、北バージニアの散らかった道路の角で収集した新しいデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-10-04T16:07:37Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Learning dynamic and hierarchical traffic spatiotemporal features with Transformer [4.506591024152763]
  本稿では,空間時間グラフモデリングと長期交通予測のための新しいモデルであるTraffic Transformerを提案する。 Transformerは自然言語処理(NLP)で最も人気のあるフレームワークです。 注目重量行列を解析すれば 道路網の 影響力のある部分を見つけられる 交通網をよりよく学べる
  論文  参考訳（メタデータ） (2021-04-12T02:29:58Z)
• Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
  本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。 我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。 本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
  論文  参考訳（メタデータ） (2020-07-10T16:00:44Z)
• 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。