論文の概要: Spatial-Temporal Graph ODE Networks for Traffic Flow Forecasting
- arxiv url: http://arxiv.org/abs/2106.12931v1
- Date: Thu, 24 Jun 2021 11:48:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-25 23:21:02.700603
- Title: Spatial-Temporal Graph ODE Networks for Traffic Flow Forecasting
- Title（参考訳）: 交通流予測のための空間時間グラフODEネットワーク
- Authors: Zheng Fang, Qingqing Long, Guojie Song, Kunqing Xie
- Abstract要約: 時空間予測は幅広い応用において大きな注目を集めており、交通流予測は標準的で典型的な例である。
既存の研究は通常、浅いグラフ畳み込みネットワーク(GNN)と時間的抽出モジュールを使用して、それぞれ空間的および時間的依存関係をモデル化する。
テンソル型常微分方程式(ODE)を用いて時空間ダイナミクスを捉える時空間グラフ正規微分方程式ネットワーク(STGODE)を提案する。
我々は,複数の実世界の交通データセット上でモデルを評価し,最先端のベースライン上で優れた性能を実現する。
- 参考スコア（独自算出の注目度）: 22.421667339552467
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatial-temporal forecasting has attracted tremendous attention in a wide
range of applications, and traffic flow prediction is a canonical and typical
example. The complex and long-range spatial-temporal correlations of traffic
flow bring it to a most intractable challenge. Existing works typically utilize
shallow graph convolution networks (GNNs) and temporal extracting modules to
model spatial and temporal dependencies respectively. However, the
representation ability of such models is limited due to: (1) shallow GNNs are
incapable to capture long-range spatial correlations, (2) only spatial
connections are considered and a mass of semantic connections are ignored,
which are of great importance for a comprehensive understanding of traffic
networks. To this end, we propose Spatial-Temporal Graph Ordinary Differential
Equation Networks (STGODE). Specifically, we capture spatial-temporal dynamics
through a tensor-based ordinary differential equation (ODE), as a result,
deeper networks can be constructed and spatial-temporal features are utilized
synchronously. To understand the network more comprehensively, semantical
adjacency matrix is considered in our model, and a well-design temporal
dialated convolution structure is used to capture long term temporal
dependencies. We evaluate our model on multiple real-world traffic datasets and
superior performance is achieved over state-of-the-art baselines.
- Abstract（参考訳）: 空間的時間的予測は幅広いアプリケーションで大きな注目を集めており、トラフィックフロー予測は標準的かつ典型的な例である。
交通流の複雑で長期の時空間相関は、最も難解な挑戦をもたらす。
既存の研究は通常、浅いグラフ畳み込みネットワーク(GNN)と時間的抽出モジュールを使用して、それぞれ空間的および時間的依存関係をモデル化する。
しかし,(1) 浅いGNNは長距離空間相関を捉えることができず,(2) 空間接続のみを考慮し,意味接続の質量を無視できるため,交通網の包括的理解にとって非常に重要である。
この目的のために,時空間グラフ正規微分方程式ネットワーク(STGODE)を提案する。
具体的には、テンソルベース常微分方程式(ODE)を用いて時空間ダイナミクスを捕捉し、より深いネットワークを構築し、時空間特徴を同期的に利用する。
ネットワークをより包括的に理解するために,我々のモデルでは意味的隣接行列を考慮し,長期の時間的依存を捉えるために,よく設計された時間的拡張畳み込み構造を用いる。
我々は,複数の実世界の交通データセット上でモデルを評価し,最先端のベースライン上で優れた性能を実現する。
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) - Multi-Scale Spatial-Temporal Recurrent Networks for Traffic Flow
Prediction [13.426775574655135]
交通流予測のためのマルチスケール時空間リカレントネットワーク(MSSTRN)を提案する。
本研究では,適応的な位置グラフの畳み込みを自己認識機構に統合し,空間的時間的依存関係の同時捕捉を実現する空間的時間的同期的注意機構を提案する。
本モデルは,全20基準法と比較して,非自明なマージンで最高の予測精度を実現する。
論文 参考訳（メタデータ） (2023-10-12T08:52:36Z) - 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) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-25T03:37:00Z) - 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) - 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) - 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) - Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow
Forecasting [35.072979313851235]
交通流の空間的-時間的データ予測は複雑な空間的依存性と道路間の時間的パターンの動的傾向のために難しい課題である。
既存のフレームワークは通常、与えられた空間隣接グラフと、空間的および時間的相関をモデル化する洗練されたメカニズムを利用する。
本稿では,交通流予測のための空間時間融合グラフニューラルネットワーク(STFGNN)を提案する。
論文 参考訳（メタデータ） (2020-12-15T14:03:17Z) - 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) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳（メタデータ） (2020-01-09T10:21:04Z)
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。