論文の概要: Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel
Attention-Based Spatio-Temporal Graph Convolutional Networks
- arxiv url: http://arxiv.org/abs/2110.01535v1
- Date: Mon, 4 Oct 2021 16:07:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:56:49.221847
- Title: Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel
Attention-Based Spatio-Temporal Graph Convolutional Networks
- Title(参考訳): マルチチャネルアテンションに基づく時空間グラフ畳み込みネットワークによる交通流予測
- Authors: Yuanjie Lu, Parastoo Kamranfar, David Lattanzi, Amarda Shehu
- Abstract要約: 建設工事の影響下での交通速度予測モデルを提案する。
このモデルは、強力なアテンションベースの時間グラフ畳み込みアーキテクチャに基づいているが、様々なチャネルを利用して異なる情報ソースを統合する。
このモデルは、2つのベンチマークデータセットと、北バージニアの散らかった道路の角で収集した新しいデータセットで評価されている。
- 参考スコア(独自算出の注目度): 4.318655493189584
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forecasting traffic flows is a central task in intelligent transportation
system management. Graph structures have shown promise as a modeling framework,
with recent advances in spatio-temporal modeling via graph convolution neural
networks, improving the performance or extending the prediction horizon on
traffic flows. However, a key shortcoming of state-of-the-art methods is their
inability to take into account information of various modalities, for instance
the impact of maintenance downtime on traffic flows. This is the issue we
address in this paper. Specifically, we propose a novel model to predict
traffic speed under the impact of construction work. The model is based on the
powerful attention-based spatio-temporal graph convolution architecture but
utilizes various channels to integrate different sources of information,
explicitly builds spatio-temporal dependencies among traffic states, captures
the relationships between heterogeneous roadway networks, and then predicts
changes in traffic flow resulting from maintenance downtime events. The model
is evaluated on two benchmark datasets and a novel dataset we have collected
over the bustling Tyson's corner region in Northern Virginia. Extensive
comparative experiments and ablation studies show that the proposed model can
capture complex and nonlinear spatio-temporal relationships across a
transportation corridor, outperforming baseline models.
- Abstract(参考訳): 交通流の予測は、インテリジェント交通システム管理における中心的な課題である。
グラフ構造は、グラフ畳み込みニューラルネットワークによる時空間モデリングの最近の進歩、パフォーマンスの向上、トラフィックフローの予測地平線の拡張など、モデリングフレームワークとして期待されている。
しかしながら、最先端手法の重要な欠点は、メンテナンスダウンタイムがトラフィックフローに与える影響など、さまざまなモダリティの情報を考慮することができないことだ。
これは我々が本稿で取り上げている問題です。
具体的には,建設工事の影響を考慮した交通速度予測モデルを提案する。
このモデルは、強力な注目に基づく時空間グラフ畳み込みアーキテクチャに基づいているが、様々なチャネルを利用して異なる情報ソースを統合し、トラフィック状態間の時空間依存性を明確に構築し、異種道路網間の関係を捉え、メンテナンスダウンタイムイベントによるトラフィックフローの変化を予測する。
このモデルは、2つのベンチマークデータセットと、北バージニアのTysonのコーナーで収集した新しいデータセットで評価されている。
広汎な比較実験とアブレーション実験により,提案モデルが輸送路を横断する複雑で非線形な時空間的関係を捉えることができ,ベースラインモデルよりも優れていた。
関連論文リスト
- 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) - Dynamic Causal Graph Convolutional Network for Traffic Prediction [19.759695727682935]
本稿では,時間変動動的ネットワークを組み込んだトラフィック予測手法を提案する。
次に、グラフ畳み込みネットワークを使用してトラフィック予測を生成します。
実交通データを用いた実験結果から,提案手法の予測性能が優れていることを示す。
論文 参考訳(メタデータ) (2023-06-12T10:46:31Z) - 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) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - STCGAT: Spatial-temporal causal networks for complex urban road traffic
flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。
既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。
本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文 参考訳(メタデータ) (2022-03-21T06:38:34Z) - TrafficStream: A Streaming Traffic Flow Forecasting Framework Based on
Graph Neural Networks and Continual Learning [10.205873494981633]
グラフニューラルネットワーク(GNN)と連続学習(CL)に基づくストリームトラフィックフロー予測フレームワークであるTrafficStreamを提案する。
新たなトラフィックパターンをマイニングするために,JS-divergence に基づくアルゴリズムを提案する。
モデルの有効性と有効性を検証するために,ストリーミングトラフィックデータセットを構築した。
論文 参考訳(メタデータ) (2021-06-11T09:42:37Z) - Spatial-Temporal Tensor Graph Convolutional Network for Traffic
Prediction [46.762437988118386]
本稿では,交通速度予測に対処する空間時間グラフ畳み込みネットワークを提案する。
計算負荷を軽減するために、タッカーテンソル分解を行い、テンソル畳み込みを導出する。
2つの実世界の交通速度データセットの実験は、従来の交通予測方法よりも効果的な方法を示しています。
論文 参考訳(メタデータ) (2021-03-10T15:28:07Z) - 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) - Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。
我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。
本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文 参考訳(メタデータ) (2020-07-10T16:00:44Z) - 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。