論文の概要: Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) for
Short-Term Forecasting of Transit Passenger Flow
- arxiv url: http://arxiv.org/abs/2107.13226v1
- Date: Wed, 28 Jul 2021 08:41:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-29 13:55:21.664604
- Title: Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) for
Short-Term Forecasting of Transit Passenger Flow
- Title（参考訳）: 交通流の短期予測のための多グラフ畳み込みリカレントニューラルネットワーク(MGC-RNN)
- Authors: Yuxin He, Lishuai Li, Xinting Zhu, Kwok Leung Tsui
- Abstract要約: 交通管理や群衆規制には, 短期的な旅客輸送の予測が不可欠である。
都市交通システムにおける乗客の流れを予測するために,革新的な深層学習手法であるMulti-Graph Convolutional-Recurrent Neural Network (MGC-NN)を提案する。
- 参考スコア（独自算出の注目度）: 7.9132565523269625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Short-term forecasting of passenger flow is critical for transit management
and crowd regulation. Spatial dependencies, temporal dependencies,
inter-station correlations driven by other latent factors, and exogenous
factors bring challenges to the short-term forecasts of passenger flow of urban
rail transit networks. An innovative deep learning approach, Multi-Graph
Convolutional-Recurrent Neural Network (MGC-RNN) is proposed to forecast
passenger flow in urban rail transit systems to incorporate these complex
factors. We propose to use multiple graphs to encode the spatial and other
heterogenous inter-station correlations. The temporal dynamics of the
inter-station correlations are also modeled via the proposed multi-graph
convolutional-recurrent neural network structure. Inflow and outflow of all
stations can be collectively predicted with multiple time steps ahead via a
sequence to sequence(seq2seq) architecture. The proposed method is applied to
the short-term forecasts of passenger flow in Shenzhen Metro, China. The
experimental results show that MGC-RNN outperforms the benchmark algorithms in
terms of forecasting accuracy. Besides, it is found that the inter-station
driven by network distance, network structure, and recent flow patterns are
significant factors for passenger flow forecasting. Moreover, the architecture
of LSTM-encoder-decoder can capture the temporal dependencies well. In general,
the proposed framework could provide multiple views of passenger flow dynamics
for fine prediction and exhibit a possibility for multi-source heterogeneous
data fusion in the spatiotemporal forecast tasks.
- Abstract（参考訳）: 乗客フローの短期予測は交通管理と群衆規制にとって重要である。
空間依存性,時間依存性,その他の潜伏要因による駅間相関,および外因性要因は,都市鉄道交通網の旅客流の短期予測に課題をもたらす。
都市鉄道交通システムにおける乗客の流れを予測し,複雑な要因を取り入れるために,多グラフ畳み込み-リカレントニューラルネットワーク (mgc-rnn) を提案する。
本稿では,複数のグラフを用いて空間的および異種間関係を符号化することを提案する。
駅間相関の時間的ダイナミクスは、提案したマルチグラフ畳み込み-リカレントニューラルネットワーク構造を通してモデル化される。
すべてのステーションのインフローとアウトフローは、シーケンス to sequence(seq2seq)アーキテクチャを介して、複数の時間ステップで総括的に予測できる。
提案手法は,中国深セン大都市圏における短期的な乗客流動予測に応用される。
実験の結果,MGC-RNNは予測精度でベンチマークアルゴリズムより優れていた。
さらに,ネットワーク距離,ネットワーク構造,近年のフローパターンによって駆動されるステーション間が,乗客のフロー予測の重要な要因であることが判明した。
さらに、LSTMエンコーダデコーダのアーキテクチャは、時間依存性をうまく捉えることができる。
概して,提案手法は,詳細な予測のための乗客フローダイナミクスの複数のビューを提供し,時空間予測タスクにおける多元不均質データ融合の可能性を示すことができる。
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) - Enhanced Traffic Flow Prediction with Multi-Segment Fusion Tensor Graph Convolutional Networks [9.44949364543965]
既存の交通流予測モデルは、交通ネットワーク内の複雑な空間的依存関係をキャプチャする際の制限に悩まされる。
本研究では,交通流予測のためのマルチセグメント融合テンソルグラフ畳み込みネットワーク(MS-FTGCN)を提案する。
2つの交通流データセットを用いた実験の結果,提案したMS-FTGCNは最先端モデルよりも優れていた。
論文 参考訳（メタデータ） (2024-08-08T05:37:17Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - 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) - STGIN: A Spatial Temporal Graph-Informer Network for Long Sequence
Traffic Speed Forecasting [8.596556653895028]
本研究では,長期交通パラメータ予測問題に対処する新しい時空間ニューラルネットワークアーキテクチャを提案する。
注意機構は、遠方の入力から重要な情報を失うことなく、長期的な予測性能を保証する可能性がある。
論文 参考訳（メタデータ） (2022-10-01T05:58:22Z) - Residual Graph Convolutional Recurrent Networks For Multi-step Traffic
Flow Forecasting [12.223433627287605]
我々は、Residual Graph Convolutional Recurrent Network(RGCRN)という新しい時空間予測モデルを提案する。
このモデルでは,提案したResidual Graph Convolutional Network (ResGCN) を用いて,道路網の微細な空間相関を捉える。
2つの実際のデータセットの比較実験の結果、RCCRNは最高のベースラインモデルと比較して平均20.66%改善していることがわかった。
論文 参考訳（メタデータ） (2022-05-03T13:23:38Z) - 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) - Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of
Time Series [77.47313102926017]
Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。
それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。
radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
論文 参考訳（メタデータ） (2021-02-15T00:57:28Z) - 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。