Fugu-MT 論文翻訳(概要): Learning to Remember Patterns: Pattern Matching Memory Networks for Traffic Forecasting

論文の概要: Learning to Remember Patterns: Pattern Matching Memory Networks for Traffic Forecasting

arxiv url: http://arxiv.org/abs/2110.10380v1
Date: Wed, 20 Oct 2021 05:24:21 GMT
ステータス: 処理完了
システム内更新日: 2021-10-24 00:29:44.719065
Title: Learning to Remember Patterns: Pattern Matching Memory Networks for Traffic Forecasting
Title（参考訳）: パターンを記憶する学習: トラフィック予測のためのパターンマッチングメモリネットワーク
Authors: Hyunwook Lee, Seungmin Jin, Hyeshin Chu, Hongkyu Lim, Sungahn Ko
Abstract要約: 本稿では,突然の予測問題をパターンマッチングタスクに変換する新たな視点を提案する。我々は、入力データと代表パターンとをキーバリューメモリ構造でマッチングするパターンマッチングメモリネットワーク(PM-MemNet)と呼ばれる新しいトラフィック予測モデルを設計する。実験結果から,PM-MemNetの応答性が高いグラフウェーブネットのような最先端モデルよりも精度が高いことが示唆された。
参考スコア（独自算出の注目度）: 2.9886393252581622
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Traffic forecasting is a challenging problem due to complex road networks and sudden speed changes caused by various events on roads. A number of models have been proposed to solve this challenging problem with a focus on learning spatio-temporal dependencies of roads. In this work, we propose a new perspective of converting the forecasting problem into a pattern matching task, assuming that large data can be represented by a set of patterns. To evaluate the validness of the new perspective, we design a novel traffic forecasting model, called Pattern-Matching Memory Networks (PM-MemNet), which learns to match input data to the representative patterns with a key-value memory structure. We first extract and cluster representative traffic patterns, which serve as keys in the memory. Then via matching the extracted keys and inputs, PM-MemNet acquires necessary information of existing traffic patterns from the memory and uses it for forecasting. To model spatio-temporal correlation of traffic, we proposed novel memory architecture GCMem, which integrates attention and graph convolution for memory enhancement. The experiment results indicate that PM-MemNet is more accurate than state-of-the-art models, such as Graph WaveNet with higher responsiveness. We also present a qualitative analysis result, describing how PM-MemNet works and achieves its higher accuracy when road speed rapidly changes.
Abstract（参考訳）: 交通予測は複雑な道路網と道路上の様々なイベントによる突然の速度変化のために難しい問題である。この問題を解決するために,道路の時空間依存を学習することに焦点を当てたモデルが提案されている。本研究では,大容量データを一組のパターンで表現できることを前提として,予測問題をパターンマッチングタスクに変換する新たな視点を提案する。新たな視点の有効性を評価するため、入力データを代表パターンとキー値のメモリ構造にマッチさせることを学習するパターンマッチングメモリネットワーク(PM-MemNet)と呼ばれる新しいトラフィック予測モデルを設計する。まず,メモリ内のキーとして機能する代表的トラフィックパターンの抽出とクラスタ化を行う。そして抽出したキーと入力をマッチングすることで、PM-MemNetはメモリから既存のトラフィックパターンの必要な情報を取得し、予測に使用する。トラフィックの時空間相関をモデル化するために,注目とグラフ畳み込みを統合した新しいメモリアーキテクチャGCMemを提案する。実験の結果,PM-MemNetの応答性が高いグラフウェーブネットのような最先端モデルよりも精度が高いことが示された。また,PM-MemNetの動作状況について定性的解析を行い,道路速度の急激な変化による精度の向上を図った。

関連論文リスト

NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
論文参考訳（メタデータ） (2024-12-30T00:47:49Z)
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)
Deep Learning-driven Mobile Traffic Measurement Collection and Analysis [0.43512163406552007]
本稿では,空間的・時間的領域において,深層学習(DL)技術の強力な階層的特徴学習能力を利用する。そこで我々は,都市規模の交通分析と予測のためのソリューションを開発した。
論文参考訳（メタデータ） (2024-10-14T06:53:45Z)
Pattern-Matching Dynamic Memory Network for Dual-Mode Traffic Prediction [11.99118889081249]
トラフィック予測のためのパターンマッチング動的メモリネットワーク(PM-DMNet)を提案する。 PM-DMNetは、O(N)複雑さだけでトラフィックパターンの特徴を捉えるために、新しい動的メモリネットワークを採用している。提案モデルは既存のベンチマークよりも優れている。
論文参考訳（メタデータ） (2024-08-12T15:12:30Z)
Temporal Graph Learning Recurrent Neural Network for Traffic Forecasting [27.20703077756038]
これらの問題に対処するため,TGLRN(Temporal Graph Learning Recurrent Neural Network)を提案する。より正確には、時系列の性質を効果的にモデル化するために、リカレントニューラルネットワーク(RNN)を活用し、各ステップでグラフを動的に構築する。実世界の4つのベンチマークデータセットの実験結果から, TGLRNの有効性が示された。
論文参考訳（メタデータ） (2024-06-04T19:08:40Z)
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)
Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文参考訳（メタデータ） (2022-09-20T14:41:37Z)
Residual Graph Convolutional Recurrent Networks For Multi-step Traffic Flow Forecasting [12.223433627287605]
我々は、Residual Graph Convolutional Recurrent Network(RGCRN)という新しい時空間予測モデルを提案する。このモデルでは,提案したResidual Graph Convolutional Network (ResGCN) を用いて,道路網の微細な空間相関を捉える。 2つの実際のデータセットの比較実験の結果、RCCRNは最高のベースラインモデルと比較して平均20.66%改善していることがわかった。
論文参考訳（メタデータ） (2022-05-03T13:23:38Z)
Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文参考訳（メタデータ） (2021-04-27T18:17:42Z)
Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文参考訳（メタデータ） (2020-07-07T03:36:28Z)
Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting [47.19400232038575]
ノード固有のパターンの学習は、事前に定義されたグラフが避けられる間、トラフィック予測に不可欠である、と我々は主張する。本稿では,新たな機能を備えたグラフ・コンパス・ネットワーク(GCN)の拡張のための2つの適応モジュールを提案する。実世界の2つの交通データセットに対する実験により、AGCRNは空間接続に関する事前定義されたグラフを使わずに、かなりのマージンで最先端の性能を示した。
論文参考訳（メタデータ） (2020-07-06T15:51:10Z)

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。