論文の概要: Space Meets Time: Local Spacetime Neural Network For Traffic Flow
Forecasting
- arxiv url: http://arxiv.org/abs/2109.05225v1
- Date: Sat, 11 Sep 2021 09:04:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-14 16:02:31.960295
- Title: Space Meets Time: Local Spacetime Neural Network For Traffic Flow
Forecasting
- Title（参考訳）: space meets time: トラヒックフロー予測のためのローカル時空ニューラルネットワーク
- Authors: Song Yang, Jiamou Liu, Kaiqi Zhao
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.495992519252585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic flow forecasting is a crucial task in urban computing. The challenge
arises as traffic flows often exhibit intrinsic and latent spatio-temporal
correlations that cannot be identified by extracting the spatial and temporal
patterns of traffic data separately. We argue that such correlations are
universal and play a pivotal role in traffic flow. We put forward spacetime
interval learning as a paradigm to explicitly capture these correlations
through a unified analysis of both spatial and temporal features. Unlike the
state-of-the-art methods, which are restricted to a particular road network, we
model the universal spatio-temporal correlations that are transferable from
cities to cities. To this end, we propose a new spacetime interval learning
framework that constructs a local-spacetime context of a traffic sensor
comprising the data from its neighbors within close time points. Based on this
idea, we introduce spacetime neural network (STNN), which employs novel
spacetime convolution and attention mechanism to learn the universal
spatio-temporal correlations. The proposed STNN captures local traffic
patterns, which does not depend on a specific network structure. As a result, a
trained STNN model can be applied on any unseen traffic networks. We evaluate
the proposed STNN on two public real-world traffic datasets and a simulated
dataset on dynamic networks. The experiment results show that STNN not only
improves prediction accuracy by 15% over state-of-the-art methods, but is also
effective in handling the case when the traffic network undergoes dynamic
changes as well as the superior generalization capability.
- Abstract（参考訳）: 交通流予測は都市コンピューティングにおいて重要な課題である。
この課題は、交通データの空間的パターンと時間的パターンを別々に抽出することで識別できない固有時空間相関と潜時時空間相関がしばしば現れるためである。
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果たす。
我々は,空間的特徴と時間的特徴の統一分析を通じて,これらの相関を明示的に捉えるためのパラダイムとして時空区間学習を展開する。
特定の道路ネットワークに制限された最先端の手法とは異なり、都市から都市へ移行可能な普遍的な時空間相関をモデル化する。
そこで本研究では,近接時間内に近接する近傍のデータを含むトラヒックセンサの局所時空間コンテキストを構築する,新しい時空間隔学習フレームワークを提案する。
この考え方に基づいて、時空間畳み込みとアテンション機構を用いて時空間相関を学習する時空間ニューラルネットワーク(STNN)を導入する。
提案するSTNNは,特定のネットワーク構造に依存しないローカルトラフィックパターンをキャプチャする。
その結果、トレーニングされたSTNNモデルを任意の未確認トラフィックネットワークに適用することができる。
提案する2つのリアルタイムトラヒックデータセットと動的ネットワーク上のシミュレーションデータセットのstnnを評価する。
実験の結果,stnnは最先端手法よりも予測精度を15%向上させるだけでなく,トラフィックネットワークが動的変化を行う場合や,優れた一般化能力を有する場合にも有効であることがわかった。
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) - ST-RetNet: A Long-term Spatial-Temporal Traffic Flow Prediction Method [1.8531577178922987]
時空間共振ネットワーク(ST-RetNet)と呼ばれる革新的なモデルを提案する。
空間スケールでは,道路網の動的空間的特徴を抽出するために適応的隣接行列を用いて,位相グラフ構造を空間共役ネットワーク(S-RetNet)に統合する。
時間的スケールでは,交通流パターンの長期的依存性の把握に優れたテンポラル・リテータ・ネットワーク(T-RetNet)を提案する。
論文 参考訳（メタデータ） (2024-07-13T03:52:32Z) - 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) - 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) - STLGRU: Spatio-Temporal Lightweight Graph GRU for Traffic Flow
Prediction [0.40964539027092917]
本稿では,交通流を正確に予測する新しい交通予測モデルSTLGRUを提案する。
提案するSTLGRUは,交通ネットワークの局所的・大域的空間的関係を効果的に捉えることができる。
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） (2022-12-08T20:24:59Z) - STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention
Network for Traffic Forecasting [7.232141271583618]
非効率な時空間継手線形注意(SSTLA)と呼ばれる交通予測のための新しいディープラーニングモデルを提案する。
SSTLAは、全時間ノード間のグローバル依存を効率的に捉えるために、ジョイントグラフに線形注意を適用する。
実世界の2つの交通データセットであるイングランドとテンポラル7の実験は、我々のSTJLAが最先端のベースラインよりも9.83%と3.08%の精度でMAE測定を達成できることを示した。
論文 参考訳（メタデータ） (2021-12-04T06:39:18Z) - 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) - TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network
for Traffic Flow Forecasting [41.87633457352356]
本稿では,ネットワークのグローバル性と局所性に着目したニューラルネットワークモデルを提案する。
2つの実世界のデータセットの実験により、このモデルが交通データの空間的時間的相関を精査できることが示されている。
論文 参考訳（メタデータ） (2020-11-30T09:21:43Z) - 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。