論文の概要: Mining Topological Dependencies of Recurrent Congestion in Road Networks

• arxiv url: http://arxiv.org/abs/2107.09554v1
• Date: Tue, 20 Jul 2021 15:14:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-21 18:00:20.716908
• Title: Mining Topological Dependencies of Recurrent Congestion in Road Networks
• Title（参考訳）: 道路網におけるリカレント混雑のトポロジ的依存性
• Authors: Nicolas Tempelmeier, Udo Feuerhake, Oskar Wage, Elena Demidova
• Abstract要約: 本稿では,交通速度のアウトレイラに基づいて,道路網の連結部分グラフを最初に構築するアルゴリズムを提案する。 第二に、アルゴリズムはトラフィック負荷の挙動の時間的相関を示すサブグラフのペアを識別する。 第3に、同定された部分グラフをアルゴリズムによって決定されたスコアに基づいてランク付けする。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The discovery of spatio-temporal dependencies within urban road networks that cause Recurrent Congestion (RC) patterns is crucial for numerous real-world applications, including urban planning and scheduling of public transportation services. While most existing studies investigate temporal patterns of RC phenomena, the influence of the road network topology on RC is often overlooked. This article proposes the ST-Discovery algorithm, a novel unsupervised spatio-temporal data mining algorithm that facilitates the effective data-driven discovery of RC dependencies induced by the road network topology using real-world traffic data. We factor out regularly reoccurring traffic phenomena, such as rush hours, mainly induced by the daytime, by modelling and systematically exploiting temporal traffic load outliers. We present an algorithm that first constructs connected subgraphs of the road network based on the traffic speed outliers. Second, the algorithm identifies pairs of subgraphs that indicate spatio-temporal correlations in their traffic load behaviour to identify topological dependencies within the road network. Finally, we rank the identified subgraph pairs based on the dependency score determined by our algorithm. Our experimental results demonstrate that ST-Discovery can effectively reveal topological dependencies in urban road networks.
• Abstract（参考訳）: リカレント・コンジェクション(RC)パターンを引き起こす都市道路網内の時空間依存性の発見は、都市計画や公共交通サービスのスケジューリングなど、多くの現実の応用に不可欠である。 多くの既存研究はrc現象の時間的パターンを調査しているが、rcに対する道路網トポロジーの影響はしばしば見過ごされている。 本稿では,道路ネットワークのトポロジによって引き起こされるRC依存の効率的なデータ駆動的発見を容易にする,新しい教師なし時空間データマイニングアルゴリズムST-Discoveryを提案する。 我々は,時間外負荷の変動をモデル化し,系統的に利用することにより,ラッシュ時などの交通現象を昼行に起因させる。 本稿では,交通速度のアウトレイラに基づいて,まず道路網の連結部分グラフを構成するアルゴリズムを提案する。 第2に,トラヒックロード行動における時空間相関を示すサブグラフのペアを同定し,道路網内のトポロジカル依存性を同定する。 最後に,アルゴリズムによって決定される依存性スコアに基づいて,同定されたサブグラフペアをランク付けする。 実験の結果,ST-Discoveryは都市道路網のトポロジ的依存関係を効果的に明らかにできることがわかった。

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)
• Temporal Graph Learning Recurrent Neural Network for Traffic Forecasting [27.20703077756038]
  これらの問題に対処するため,TGLRN(Temporal Graph Learning Recurrent Neural Network)を提案する。 より正確には、時系列の性質を効果的にモデル化するために、リカレントニューラルネットワーク(RNN)を活用し、各ステップでグラフを動的に構築する。 実世界の4つのベンチマークデータセットの実験結果から, TGLRNの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-04T19:08:40Z)
• 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)
• STCGAT: Spatial-temporal causal networks for complex urban road traffic flow prediction [12.223433627287605]
  交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。 既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。 本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-21T06:38:34Z)
• DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic Forecasting [7.232141271583618]
  以上の問題に対処する新しい動的多重グラフ畳み込み再帰ネットワーク(DMG)を提案する。 距離に基づくグラフを用いて,距離の近いノードから空間情報をキャプチャする。 また,道路間の構造相関を符号化した新しい潜在グラフを構築し,ノードから空間情報をキャプチャする。
  論文  参考訳（メタデータ） (2021-12-04T06:51:55Z)
• 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)
• 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)
• Space Meets Time: Local Spacetime Neural Network For Traffic Flow Forecasting [11.495992519252585]
  このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。 交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。 提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
  論文  参考訳（メタデータ） (2021-09-11T09:04:35Z)
• 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)

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。