論文の概要: Multivariate and Propagation Graph Attention Network for Spatial-Temporal Prediction with Outdoor Cellular Traffic

• arxiv url: http://arxiv.org/abs/2108.08307v2
• Date: Fri, 20 Aug 2021 02:44:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-23 10:33:29.935817
• Title: Multivariate and Propagation Graph Attention Network for Spatial-Temporal Prediction with Outdoor Cellular Traffic
• Title（参考訳）: 屋外セルトラフィックを考慮した空間時間予測のための多変量・伝搬グラフ注意ネットワーク
• Authors: Chung-Yi Lin, Hung-Ting Su, Shen-Lung Tung, Winston H. Hsu
• Abstract要約: 本稿では,電話会社における1日20億件以上のレコードから抽出した屋外セルラートラフィックを用いて,この問題に対処する。 都市部における道路交差点について検討し,歴史的屋外セル・トラフィックが与えられたすべての交差点の今後の屋外セル・トラフィックを予測することを目的としている。 実験により,提案したモデルが,我々のデータセットの最先端手法を著しく上回っていることが示された。
• 参考スコア（独自算出の注目度）: 25.081221761654756
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Spatial-temporal prediction is a critical problem for intelligent transportation, which is helpful for tasks such as traffic control and accident prevention. Previous studies rely on large-scale traffic data collected from sensors. However, it is unlikely to deploy sensors in all regions due to the device and maintenance costs. This paper addresses the problem via outdoor cellular traffic distilled from over two billion records per day in a telecom company, because outdoor cellular traffic induced by user mobility is highly related to transportation traffic. We study road intersections in urban and aim to predict future outdoor cellular traffic of all intersections given historic outdoor cellular traffic. Furthermore, We propose a new model for multivariate spatial-temporal prediction, mainly consisting of two extending graph attention networks (GAT). First GAT is used to explore correlations among multivariate cellular traffic. Another GAT leverages the attention mechanism into graph propagation to increase the efficiency of capturing spatial dependency. Experiments show that the proposed model significantly outperforms the state-of-the-art methods on our dataset.
• Abstract（参考訳）: 時空間予測は知的輸送にとって重要な問題であり,交通制御や事故防止といったタスクに有用である。 これまでの研究は、センサーから収集された大規模トラフィックデータに依存していた。 しかし、装置とメンテナンスコストのため、すべての領域にセンサーを配備する可能性は低い。 本稿では, 通信企業における1日20億件以上のデータから抽出した屋外セルラートラフィックを, 利用者移動によって誘導される屋外セルラートラフィックが交通量に大きく関係していることから, この問題に対処する。 都市における道路交差点について検討し、歴史的屋外セル交通を前提として、全交差点の屋外セルトラフィックを予測することを目的としている。 さらに,2つの拡張グラフアテンションネットワーク(GAT)で構成される多変量空間時間予測モデルを提案する。 GATは多変量セルトラフィック間の相関を探索するために用いられる。 別のGATは、空間依存を捕捉する効率を高めるために、アテンションメカニズムをグラフ伝播に活用する。 実験により,提案モデルが,我々のデータセットにおける最先端のメソッドを大幅に上回ることを示した。

関連論文リスト

• Data Matters: The Case of Predicting Mobile Cellular Traffic [0.5939858158928474]
  本研究では, スマート道路に着目し, セルラー交通の発生過程をモデル化するための道路交通対策について検討する。 実験では、道路の流れと速度を利用することで、セルラーネットワークのメトリクスに加えて、セルラーロード予測エラーを最大56.5%削減できることを示した。
  論文  参考訳（メタデータ） (2024-10-21T11:30:13Z)
• Tel2Veh: Fusion of Telecom Data and Vehicle Flow to Predict Camera-Free Traffic via a Spatio-Temporal Framework [26.92971702938603]
  特徴を抽出し,その特徴をグラフニューラルネットワーク(GNN)ベースの融合と統合し,差分を識別するフレームワークを提案する。 この研究は、輸送における通信データの利用を促進し、通信とビジョンベースのデータの融合を開拓し、交通管理のためのソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-05T06:37:14Z)
• Regional Correlation Aided Mobile Traffic Prediction with Spatiotemporal Deep Learning [4.4959908420821675]
  本稿では,日々のモバイルピークトラフィック時間と,新しい複数時間畳み込みネットワークの戦略と,長期記憶モデルを組み合わせたモバイルトラフィック予測手法を提案する。 大規模実世界のモバイルトラフィックデータに関する実験では,提案手法の有効性と有効性を確認した最先端の研究と比較して,最大28%の性能向上が見られた。
  論文  参考訳（メタデータ） (2023-12-11T10:33:19Z)
• Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity Analysis [6.8775337739726226]
  本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。 本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
  論文  参考訳（メタデータ） (2023-08-20T14:31:55Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• 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)
• 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)
• Multistep traffic speed prediction: A deep learning based approach using latent space mapping considering spatio-temporal dependencies [2.3204178451683264]
  ITSは、過去のトラフィックデータと現在のトラフィックデータに基づいて、複数の時間ステップで正確なトラフィック予測を提供する、信頼性の高いトラフィック予測を必要とする。 深層学習に基づくアプローチは,空間的依存と時間的依存の両方を用いて開発されている。 提案手法は,最小誤差の60分前予測においても,正確な交通予測結果を提供することがわかった。
  論文  参考訳（メタデータ） (2021-11-03T10:17:48Z)
• 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)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)

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。