論文の概要: Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2111.13684v1
• Date: Thu, 25 Nov 2021 08:45:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-30 15:19:45.684840
• Title: Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting
• Title（参考訳）: 交通予測のための時空間ジョイントグラフ畳み込みネットワーク
• Authors: Chuanpan Zheng, Xiaoliang Fan, Shirui Pan, Zonghan Wu, Cheng Wang, Philip S. Yu
• Abstract要約: 本稿では,道路網における交通予測のための時空間共同グラフ畳み込み (STJGCN) を提案する。 具体的には、包括的空間相関と動的時間相関を表わす任意の2つの時間ステップ間で、事前定義された、適応的な関節グラフ(STJG)を構築する。 異なる範囲の情報を集約するマルチレンジアテンション機構を提案する。
• 参考スコア（独自算出の注目度）: 78.82484713596226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent studies focus on formulating the traffic forecasting as a spatio-temporal graph modeling problem. They typically construct a static spatial graph at each time step and then connect each node with itself between adjacent time steps to construct the spatio-temporal graph. In such a graph, the correlations between different nodes at different time steps are not explicitly reflected, which may restrict the learning ability of graph neural networks. Meanwhile, those models ignore the dynamic spatio-temporal correlations among nodes as they use the same adjacency matrix at different time steps. To overcome these limitations, we propose a Spatio-Temporal Joint Graph Convolutional Networks (STJGCN) for traffic forecasting over several time steps ahead on a road network. Specifically, we construct both pre-defined and adaptive spatio-temporal joint graphs (STJGs) between any two time steps, which represent comprehensive and dynamic spatio-temporal correlations. We further design dilated causal spatio-temporal joint graph convolution layers on STJG to capture the spatio-temporal dependencies from distinct perspectives with multiple ranges. A multi-range attention mechanism is proposed to aggregate the information of different ranges. Experiments on four public traffic datasets demonstrate that STJGCN is computationally efficient and outperforms 11 state-of-the-art baseline methods.
• Abstract（参考訳）: 最近の研究は、時空間グラフモデリング問題として交通予測を定式化することに焦点を当てている。 彼らは通常、各時間ステップで静的な空間グラフを構築し、各ノードと隣接する時間ステップの間を接続して時空間グラフを構築する。 このようなグラフでは、異なる時間ステップにおける異なるノード間の相関は明示的に反映されず、グラフニューラルネットワークの学習能力を制限する可能性がある。 一方、これらのモデルは異なる時間ステップで同じ隣接行列を使用するため、ノード間の動的時空間相関を無視する。 これらの制約を克服するため,道路網における交通予測のための時空間共同グラフ畳み込みネットワーク(STJGCN)を提案する。 具体的には,包括的および動的時空間相関を表す2つの時間ステップ間の事前定義と適応時空間ジョイントグラフ(stjgs)を構築した。 さらに,STJG上に拡張した因果時空間グラフ畳み込み層を設計し,複数の範囲の異なる視点から時空間依存性を捉える。 異なる範囲の情報を集約するマルチレンジアテンション機構を提案する。 4つのパブリックトラフィックデータセットの実験により、STJGCNは計算効率が良く、11の最先端のベースライン法より優れていることが示された。

関連論文リスト

• Mending of Spatio-Temporal Dependencies in Block Adjacency Matrix [3.529869282529924]
  本稿では,時間的依存を考慮に入れた新たなエンドツーエンド学習アーキテクチャを提案する。 提案手法は,SurgVisDomやC2D2などのベンチマークデータセット上での優れた性能を示す。
  論文  参考訳（メタデータ） (2023-10-04T06:42:33Z)
• 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)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Spatial-Temporal Adaptive Graph Convolution with Attention Network for Traffic Forecasting [4.1700160312787125]
  交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。 まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。 第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
  論文  参考訳（メタデータ） (2022-06-07T09:08:35Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Spatial-Temporal Dual Graph Neural Networks for Travel Time Estimation [5.614908141182951]
  時空間デュアルグラフニューラルネットワーク(STDGNN)を用いた旅行時間推定のためのグラフベースディープラーニングフレームワークを提案する。 まず,交差点と道路セグメントの複雑な相関関係を捉えるために,時空間二重グラフアーキテクチャを構築した。 交差点と道路セグメントの連立時空間ダイナミクスを捉えるために,空間時空間学習層を採用する。
  論文  参考訳（メタデータ） (2021-05-28T05:15:45Z)
• Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting [35.072979313851235]
  交通流の空間的-時間的データ予測は複雑な空間的依存性と道路間の時間的パターンの動的傾向のために難しい課題である。 既存のフレームワークは通常、与えられた空間隣接グラフと、空間的および時間的相関をモデル化する洗練されたメカニズムを利用する。 本稿では,交通流予測のための空間時間融合グラフニューラルネットワーク(STFGNN)を提案する。
  論文  参考訳（メタデータ） (2020-12-15T14:03:17Z)
• 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)
• 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)

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。