論文の概要: DynSTGAT: Dynamic Spatial-Temporal Graph Attention Network for Traffic Signal Control

• arxiv url: http://arxiv.org/abs/2109.05491v1
• Date: Sun, 12 Sep 2021 11:27:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 15:14:31.002814
• Title: DynSTGAT: Dynamic Spatial-Temporal Graph Attention Network for Traffic Signal Control
• Title（参考訳）: DynSTGAT:交通信号制御のための動的空間時間グラフ注意ネットワーク
• Authors: Libing Wu, Min Wang, Dan Wu, Jia Wu
• Abstract要約: 適応的な交通信号制御は、スマートシティの構築において重要な役割を果たす。 本研究では、動的履歴状態を新しい時空間グラフアテンションネットワークに統合するDynSTGATという新しいニューラルネットワークフレームワークを提案する。 本手法は,最先端の手法に対して,旅行時間とスループットにおいて優れた性能を実現することができる。
• 参考スコア（独自算出の注目度）: 19.0913165219654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adaptive traffic signal control plays a significant role in the construction of smart cities. This task is challenging because of many essential factors, such as cooperation among neighboring intersections and dynamic traffic scenarios. First, to facilitate cooperation of traffic signals, existing work adopts graph neural networks to incorporate the temporal and spatial influences of the surrounding intersections into the target intersection, where spatial-temporal information is used separately. However, one drawback of these methods is that the spatial-temporal correlations are not adequately exploited to obtain a better control scheme. Second, in a dynamic traffic environment, the historical state of the intersection is also critical for predicting future signal switching. Previous work mainly solves this problem using the current intersection's state, neglecting the fact that traffic flow is continuously changing both spatially and temporally and does not handle the historical state. In this paper, we propose a novel neural network framework named DynSTGAT, which integrates dynamic historical state into a new spatial-temporal graph attention network to address the above two problems. More specifically, our DynSTGAT model employs a novel multi-head graph attention mechanism, which aims to adequately exploit the joint relations of spatial-temporal information. Then, to efficiently utilize the historical state information of the intersection, we design a sequence model with the temporal convolutional network (TCN) to capture the historical information and further merge it with the spatial information to improve its performance. Extensive experiments conducted in the multi-intersection scenario on synthetic data and real-world data confirm that our method can achieve superior performance in travel time and throughput against the state-of-the-art methods.
• Abstract（参考訳）: 適応型交通信号制御はスマートシティの構築において重要な役割を果たす。 この課題は、近隣の交差点や動的な交通シナリオとの連携など、多くの重要な要因により困難である。 まず、交通信号の協調を容易にするために、既存の研究はグラフニューラルネットワークを用いて、周囲の交差点の時間的および空間的影響を目標交差点に組み込む。 しかしながら、これらの方法の欠点の一つは、空間-時間相関が適切な制御スキームを得るために十分に活用されていないことである。 第二に、動的な交通環境において、交差点の歴史的状態は将来の信号切替を予測する上でも重要である。 従来,交通の流れが空間的にも時間的にも連続的に変化しており,歴史的状態を扱わないという事実を無視して,現在の交差点の状態を用いてこの問題を解決してきた。 本稿では,DynSTGATという新しいニューラルネットワークフレームワークを提案する。このフレームワークは動的履歴を新しい空間時間グラフアテンションネットワークに統合し,上記の2つの問題に対処する。 より具体的には、我々のDynSTGATモデルは、空間時間情報の結合関係を適切に活用することを目的とした、新しいマルチヘッドグラフアテンション機構を採用している。 そして,交差点の歴史的状態情報を効率的に活用するために,時間的畳み込みネットワーク(TCN)を用いたシーケンスモデルを設計し,その性能を向上させるために,その履歴情報を空間情報とマージする。 合成データと実世界のデータを用いた多層断面積実験により,本手法が最先端の手法に対して,旅行時間およびスループットにおいて優れた性能を達成できることが確認された。

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)
• Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework [2.9490249935740573]
  FMPESTF(Fusion Matrix Prompt-Enhanced Self-Attention Space-Temporal Interactive Traffic Forecasting Framework)を提案する。 FMPESTFは、ダウンサンプリングトラフィックデータのための空間的および時間的モジュールで構成されている。 時間モデリングにおける注意機構を導入し,様々な交通シナリオに適応するための階層型時空間対話型学習を設計する。
  論文  参考訳（メタデータ） (2024-10-12T03:47:27Z)
• 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)
• Dynamic Graph Convolutional Network with Attention Fusion for Traffic Flow Prediction [10.3426659705376]
  本稿では,同期時空間相関をモデル化するための注意融合型動的グラフ畳み込みネットワークを提案する。 我々は、4つの実世界の交通データセットにおいて、我々の手法が18のベースライン法と比較して最先端の性能を上回ることを示す広範な実験を行った。
  論文  参考訳（メタデータ） (2023-02-24T12:21:30Z)
• 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)
• 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)
• 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)
• 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)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• 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。