論文の概要: Multi View Spatial-Temporal Model for Travel Time Estimation
- arxiv url: http://arxiv.org/abs/2109.07402v1
- Date: Wed, 15 Sep 2021 16:11:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 14:48:00.108202
- Title: Multi View Spatial-Temporal Model for Travel Time Estimation
- Title（参考訳）: 旅行時間推定のための多視点空間時間モデル
- Authors: ZiChuan Liu, Zhaoyang Wu, Meng Wang
- Abstract要約: 時空間と軌跡の依存性を捉えるためのマルチビュー時空間モデル(MVSTM)を提案する。
具体的には,空間ビューのモデル化にGraph2vec,軌跡ビューのモデル化にデュアルチャネル時間モジュール,トラフィックセマンティクスのモデル化に構造埋め込みを用いる。
大規模タクシー軌道データを用いた実験により,本手法は新規手法よりも有効であることが示された。
- 参考スコア（独自算出の注目度）: 14.591364075326984
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Taxi arrival time prediction is an essential part of building intelligent
transportation systems. Traditional arrival time estimation methods mainly rely
on traffic map feature extraction, which can not model complex situations and
nonlinear spatial and temporal relationships. Therefore, we propose a
Multi-View Spatial-Temporal Model (MVSTM) to capture the dependence of
spatial-temporal and trajectory. Specifically, we use graph2vec to model the
spatial view, dual-channel temporal module to model the trajectory view, and
structural embedding to model the traffic semantics. Experiments on large-scale
taxi trajectory data show that our approach is more effective than the novel
method. The source code can be obtained from
https://github.com/775269512/SIGSPATIAL-2021-GISCUP-4th-Solution.
- Abstract（参考訳）: タクシーの到着時刻予測は、インテリジェント交通システムの構築に不可欠である。
従来の到着時刻推定手法は主に交通地図の特徴抽出に依存しており、複雑な状況や非線形な空間的・時間的関係をモデル化できない。
そこで本稿では,時空間と軌道の依存性を捉えるためのマルチビュー時空間モデル(MVSTM)を提案する。
具体的には,空間ビューのモデル化にGraph2vec,軌跡ビューのモデル化にデュアルチャネル時間モジュール,トラフィックセマンティクスのモデル化に構造埋め込みを用いる。
大規模タクシー軌道データを用いた実験により,本手法は新規手法よりも有効であることが示された。
ソースコードはhttps://github.com/775269512/SIGSPATIAL-2021-GISCUP-4th-Solutionから取得できる。
関連論文リスト
- A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。
モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
論文 参考訳（メタデータ） (2024-06-02T05:41:25Z) - Probabilistic Image-Driven Traffic Modeling via Remote Sensing [8.234589405189187]
都市交通モデルの構築に使用できるマルチモーダル・マルチタスクトランスフォーマーに基づくセグメンテーションアーキテクチャを提案する。
そこで我々は,Dynamic Traffic Speedsベンチマークデータセットを用いて提案手法を広範囲に評価し,現状を著しく改善した。
論文 参考訳（メタデータ） (2024-03-08T18:43:28Z) - A Fast and Map-Free Model for Trajectory Prediction in Traffics [2.435517936694533]
本稿では,交通地図に依存しない効率的な軌道予測モデルを提案する。
注意機構、LSTM、グラフ畳み込みネットワーク、時間変換器を包括的に活用することにより、我々のモデルは全てのエージェントのリッチな動的および相互作用情報を学習することができる。
提案モデルでは,既存のマップフリー手法と比較して高い性能を達成し,Argoverseデータセット上のほとんどのマップベース最先端手法を超越する。
論文 参考訳（メタデータ） (2023-07-19T08:36:31Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳（メタデータ） (2023-06-20T03:02:14Z) - 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) - Spatial-temporal traffic modeling with a fusion graph reconstructed by
tensor decomposition [10.104097475236014]
グラフ畳み込みネットワーク(GCN)は交通流予測に広く利用されている。
時空間グラフ隣接行列の設計はGCNの成功の鍵となる。
本稿では, テンソル分解による二元隣接行列の再構成を提案する。
論文 参考訳（メタデータ） (2022-12-12T01:44:52Z) - 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) - Understanding Dynamic Spatio-Temporal Contexts in Long Short-Term Memory
for Road Traffic Speed Prediction [11.92436948211501]
本研究では,道路間の空間的および時間的依存を考慮した動的局所長短期記憶(LSTM)モデルを提案する。
LSTMモデルは、長い依存性を持つシーケンシャルデータと複雑な非線形機能を扱うことができる。
実験結果から,提案モデルの予測性能は2つの異なるベースライン法と比較して優れていた。
論文 参考訳（メタデータ） (2021-12-04T19:33:05Z) - Disentangling and Unifying Graph Convolutions for Skeleton-Based Action
Recognition [79.33539539956186]
本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。
これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-03-31T11:28:25Z) - 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。