論文の概要: ETA Prediction with Graph Neural Networks in Google Maps

• arxiv url: http://arxiv.org/abs/2108.11482v1
• Date: Wed, 25 Aug 2021 21:28:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-27 14:10:39.997155
• Title: ETA Prediction with Graph Neural Networks in Google Maps
• Title（参考訳）: googleマップにおけるグラフニューラルネットワークによるeta予測
• Authors: Austin Derrow-Pinion, Jennifer She, David Wong, Oliver Lange, Todd Hester, Luis Perez, Marc Nunkesser, Seongjae Lee, Xueying Guo, Brett Wiltshire, Peter W. Battaglia, Vishal Gupta, Ang Li, Zhongwen Xu, Alvaro Sanchez-Gonzalez, Yujia Li, Petar Veli\v{c}kovi\'c
• Abstract要約: 我々は,Google Mapsで本番環境に投入した到着時刻(ETA)を推定するためのグラフニューラルネットワーク推定器を提案する。 我々のGNNは、デプロイ時に強力であることが分かり、以前の生産ベースラインと比較して、いくつかのリージョンでのETA結果が大幅に減少した。
• 参考スコア（独自算出の注目度）: 31.15613437646153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Travel-time prediction constitutes a task of high importance in transportation networks, with web mapping services like Google Maps regularly serving vast quantities of travel time queries from users and enterprises alike. Further, such a task requires accounting for complex spatiotemporal interactions (modelling both the topological properties of the road network and anticipating events -- such as rush hours -- that may occur in the future). Hence, it is an ideal target for graph representation learning at scale. Here we present a graph neural network estimator for estimated time of arrival (ETA) which we have deployed in production at Google Maps. While our main architecture consists of standard GNN building blocks, we further detail the usage of training schedule methods such as MetaGradients in order to make our model robust and production-ready. We also provide prescriptive studies: ablating on various architectural decisions and training regimes, and qualitative analyses on real-world situations where our model provides a competitive edge. Our GNN proved powerful when deployed, significantly reducing negative ETA outcomes in several regions compared to the previous production baseline (40+% in cities like Sydney).
• Abstract（参考訳）: 旅行時間の予測は交通ネットワークにおいて重要なタスクであり、Google MapsのようなWebマッピングサービスは、ユーザーや企業からの大量の旅行時間クエリを定期的に提供している。 さらに、このようなタスクは複雑な時空間的相互作用(道路ネットワークのトポロジカルな特性と、ラッシュ時間のような予測イベントをモデル化する)を考慮に入れる必要がある。 したがって、大規模なグラフ表現学習の理想的なターゲットである。 ここでは、Google Mapsで本番環境にデプロイした到着時刻(ETA)を推定するためのグラフニューラルネットワーク推定器を提案する。 我々の主要なアーキテクチャは標準のGNNビルディングブロックで構成されていますが、モデルが堅牢でプロダクション対応にするためにMetaGradientsのようなトレーニングスケジュールメソッドの使用をさらに詳細に説明します。 さまざまなアーキテクチャ決定とトレーニング体制を非難する、そして私たちのモデルが競争力のあるエッジを提供する現実の状況に関する質的な分析を提供する。 我々のGNNはデプロイ時に強力であることが分かり、シドニーのような都市では40%以上)に比べ、いくつかの地域で負のETA結果が著しく減少した。

関連論文リスト

• LasTGL: An Industrial Framework for Large-Scale Temporal Graph Learning [61.4707298969173]
  本稿では,共通時間グラフ学習アルゴリズムの統一的および統一的な実装を統合する産業用フレームワークであるLasTGLを紹介する。 LasTGLは、詳細なチュートリアルとともに、包括的な時間グラフデータセット、TGNNモデル、ユーティリティを提供する。
  論文  参考訳（メタデータ） (2023-11-28T08:45:37Z)
• STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural Networks for Traffic Prediction [9.467593700532401]
  本稿では,グラフ学習戦略と一般的なグラフ畳み込みアルゴリズムの体系的なレビューを行う。 次に、最近提案された空間時間グラフネットワークモデルの長所と短所を包括的に分析する。 ディープラーニングフレームワークPyTorchを用いたSTG4Trafficという研究を構築し,2種類のトラフィックデータセットに対して,標準化されたスケーラブルなベンチマークを確立する。
  論文  参考訳（メタデータ） (2023-07-02T06:56:52Z)
• Forecasting Unobserved Node States with spatio-temporal Graph Neural Networks [1.0965065178451106]
  本研究では,空間的時間的相関とグラフ帰納バイアスに基づいて,完全に観測されていない位置の状態を予測できるフレームワークを開発した。 我々のフレームワークは、ネットワークのグラフ構造を用いて、観測された位置と周囲の相関を悪用するグラフニューラルネットワークと組み合わせることができる。 シミュレーションと実世界の両方のデータセットに対する実証的な評価は、グラフニューラルネットワークがこのタスクに適していることを示している。
  論文  参考訳（メタデータ） (2022-11-21T15:52:06Z)
• Efficient Traffic State Forecasting using Spatio-Temporal Network Dependencies: A Sparse Graph Neural Network Approach [6.203371866342754]
  交通ネットワークにおける交通予測は、効果的な交通運営と管理にとって最重要事項である。 現在の研究では、長期的な交通予測(30分以上)は依然として難しい。 予測精度を保ちながら、トレーニングコストに対するスパーストレーニングを提案する。
  論文  参考訳（メタデータ） (2022-11-06T05:41:39Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• 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)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• 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)
• End-to-End Prediction of Parcel Delivery Time with Deep Learning for Smart-City Applications [19.442685015494316]
  本研究では,最終マイルの配送時間予測の現実的事例を解決するためのディープラーニングの利用について検討する。 我々は、カナダポストが提供する大規模パーセルデータセットに焦点を当て、トロント大都市圏をカバーしている。 我々は、ルートが利用できないが、始点と終点のみを提供する、オリジン・デスティネーション(OD)の定式化を利用する。
  論文  参考訳（メタデータ） (2020-09-23T21:35:25Z)
• Travel Time Prediction using Tree-Based Ensembles [4.74324101583772]
  本稿では,都市シナリオにおける2つの任意の地点間の移動時間予測の課題について考察する。 我々はこの問題を2つの時間的視点から見る: 長期予測は数日間、短期予測は1時間である。
  論文  参考訳（メタデータ） (2020-05-28T07:43:54Z)
• 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。