論文の概要: Dynamic Spatiotemporal Graph Convolutional Neural Networks for Traffic
Data Imputation with Complex Missing Patterns
- arxiv url: http://arxiv.org/abs/2109.08357v1
- Date: Fri, 17 Sep 2021 05:47:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-20 14:49:59.020053
- Title: Dynamic Spatiotemporal Graph Convolutional Neural Networks for Traffic
Data Imputation with Complex Missing Patterns
- Title（参考訳）: 複雑なミスパターンを有する交通データインプットのための動的時空間グラフ畳み込みニューラルネットワーク
- Authors: Yuebing Liang, Zhan Zhao, Lijun Sun
- Abstract要約: 本稿では,DSTG(Dynamic Spatio Graph Contemporal Networks)と呼ばれる新しいディープラーニングフレームワークを提案する。
本稿では,動的空間依存のリアルタイム交通情報と道路ネットワーク構造をモデル化するためのグラフ構造推定手法を提案する。
提案手法は,既存の深層学習モデルより様々なシナリオにおいて優れており,グラフ構造推定手法はモデルの性能に寄与する。
- 参考スコア（独自算出の注目度）: 3.9318191265352196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Missing data is an inevitable and ubiquitous problem for traffic data
collection in intelligent transportation systems. Despite extensive research
regarding traffic data imputation, there still exist two limitations to be
addressed: first, existing approaches fail to capture the complex
spatiotemporal dependencies in traffic data, especially the dynamic spatial
dependencies evolving with time; second, prior studies mainly focus on randomly
missing patterns while other more complex missing scenarios are less discussed.
To fill these research gaps, we propose a novel deep learning framework called
Dynamic Spatiotemporal Graph Convolutional Neural Networks (DSTGCN) to impute
missing traffic data. The model combines the recurrent architecture with
graph-based convolutions to model the spatiotemporal dependencies. Moreover, we
introduce a graph structure estimation technique to model the dynamic spatial
dependencies from real-time traffic information and road network structure.
Extensive experiments based on two public traffic speed datasets are conducted
to compare our proposed model with state-of-the-art deep learning approaches in
four types of missing patterns. The results show that our proposed model
outperforms existing deep learning models in all kinds of missing scenarios and
the graph structure estimation technique contributes to the model performance.
We further compare our proposed model with a tensor factorization model and
find distinct behaviors across different model families under different
training schemes and data availability.
- Abstract（参考訳）: データ不足は、インテリジェントな輸送システムにおけるトラフィックデータ収集の必然的かつユビキタスな問題である。
第一に、既存のアプローチでは、交通データにおける複雑な時空間的依存関係、特に時間とともに進化する動的空間的依存関係を捉えることができない。
これらの研究のギャップを埋めるため,我々は動的時空間グラフ畳み込みニューラルネットワーク(dstgcn)と呼ばれる新しいディープラーニングフレームワークを提案する。
このモデルは、繰り返しアーキテクチャとグラフベースの畳み込みを組み合わせて、時空間依存性をモデル化する。
さらに,リアルタイム交通情報と道路ネットワーク構造から動的空間依存性をモデル化するグラフ構造推定手法を提案する。
2つの公共交通速度データセットに基づく広範囲な実験を行い,4種類の欠落パターンを用いて,提案モデルと最先端ディープラーニングアプローチを比較した。
以上の結果から,提案モデルが既存のディープラーニングモデルよりも優れており,グラフ構造推定手法がモデル性能に寄与していることが示唆された。
さらに,提案モデルとテンソル因子化モデルを比較し,異なるトレーニングスキームとデータ可用性の下で異なるモデルファミリーにまたがる異なる行動を見出す。
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) - Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。
本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。
実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
論文 参考訳（メタデータ） (2024-05-06T06:23:06Z) - TESTAM: A Time-Enhanced Spatio-Temporal Attention Model with Mixture of
Experts [6.831798156287652]
本稿では,再帰的および非帰的トラフィックパターンを個別にモデル化する,TESTAMという新しいディープラーニングモデルを提案する。
我々は,TESTAMが再帰的および非再帰的トラフィックのより優れた表示とモデリングを実現することを示す。
論文 参考訳（メタデータ） (2024-03-05T02:27:52Z) - Dynamic Hypergraph Structure Learning for Traffic Flow Forecasting [35.0288931087826]
交通流予測は、過去のネットワークと交通条件に基づいて将来の交通状況を予測することを目的としている。
この問題は、遠時ニューラルネットワーク(GNN)を用いた交通データにおける複雑な時間相関をモデル化することによって、典型的に解決される。
既存の手法は、近隣情報を線形に集約するメッセージパッシングのパラダイムに従っている。
本稿では,交通流予測のための動的ハイパー構造学習(DyHSL)モデルを提案する。
論文 参考訳（メタデータ） (2023-09-21T12:44:55Z) - 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) - 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) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - 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) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z)
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。