論文の概要: STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention
Network for Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2112.02262v1
- Date: Sat, 4 Dec 2021 06:39:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 17:07:01.980401
- Title: STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention
Network for Traffic Forecasting
- Title（参考訳）: stjla: トラヒック予測のための多文脈対応時空間協調型リニアアテンションネットワーク
- Authors: Yuchen Fang, Yanjun Qin, Haiyong Luo, Fang Zhao, Chenxing Wang
- Abstract要約: 非効率な時空間継手線形注意(SSTLA)と呼ばれる交通予測のための新しいディープラーニングモデルを提案する。
SSTLAは、全時間ノード間のグローバル依存を効率的に捉えるために、ジョイントグラフに線形注意を適用する。
実世界の2つの交通データセットであるイングランドとテンポラル7の実験は、我々のSTJLAが最先端のベースラインよりも9.83%と3.08%の精度でMAE測定を達成できることを示した。
- 参考スコア（独自算出の注目度）: 7.232141271583618
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic prediction has gradually attracted the attention of researchers
because of the increase in traffic big data. Therefore, how to mine the complex
spatio-temporal correlations in traffic data to predict traffic conditions more
accurately become a difficult problem. Previous works combined graph
convolution networks (GCNs) and self-attention mechanism with deep time series
models (e.g. recurrent neural networks) to capture the spatio-temporal
correlations separately, ignoring the relationships across time and space.
Besides, GCNs are limited by over-smoothing issue and self-attention is limited
by quadratic problem, result in GCNs lack global representation capabilities,
and self-attention inefficiently capture the global spatial dependence. In this
paper, we propose a novel deep learning model for traffic forecasting, named
Multi-Context Aware Spatio-Temporal Joint Linear Attention (STJLA), which
applies linear attention to the spatio-temporal joint graph to capture global
dependence between all spatio-temporal nodes efficiently. More specifically,
STJLA utilizes static structural context and dynamic semantic context to
improve model performance. The static structure context based on node2vec and
one-hot encoding enriches the spatio-temporal position information.
Furthermore, the multi-head diffusion convolution network based dynamic spatial
context enhances the local spatial perception ability, and the GRU based
dynamic temporal context stabilizes sequence position information of the linear
attention, respectively. Experiments on two real-world traffic datasets,
England and PEMSD7, demonstrate that our STJLA can achieve up to 9.83% and
3.08% accuracy improvement in MAE measure over state-of-the-art baselines.
- Abstract（参考訳）: 交通ビッグデータの増加により、交通予測は次第に研究者の注意を引き付けている。
したがって、交通データにおける複雑な時空間相関をマイニングしてより正確な交通状況を予測することは難しい問題となる。
従来の研究は、グラフ畳み込みネットワーク(GCN)と自己保持機構をディープ時系列モデル(例えば、リカレントニューラルネットワーク)と組み合わせて、時空間間の関係を無視した時空間相関を別々に捉えた。
さらに、GCNは過度に滑らかな問題によって制限され、自己アテンションは二次的な問題によって制限され、結果としてGCNはグローバルな表現能力が欠如し、自己アテンションはグローバルな空間依存を非効率に捕捉する。
本稿では、全時空間ノード間のグローバル依存を効率的に捉えるために、時空間ジョイントグラフに線形注意を適用するマルチコンテキスト認識時空間ジョイントリニアアテンションアテンション(stjla)という、交通予測のための新しいディープラーニングモデルを提案する。
より具体的には、STJLAは静的構造コンテキストと動的意味コンテキストを使用してモデル性能を改善する。
node2vecとone-hotエンコーディングに基づく静的構造コンテキストは、時空間位置情報を豊かにする。
さらに、マルチヘッド拡散畳み込みネットワークに基づく動的空間コンテキストは局所的空間知覚能力を高め、GRUに基づく動的時間コンテキストは、線形注意のシーケンス位置情報をそれぞれ安定化させる。
実世界の2つのトラフィックデータセットであるイングランドとPMSD7の実験により、我々のSTJLAは最先端のベースラインよりも9.83%と3.08%の精度でMAE測定を達成できることを示した。
関連論文リスト
- Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-25T03:37:00Z) - Dynamic Graph Convolutional Network with Attention Fusion for Traffic
Flow Prediction [10.3426659705376]
本稿では,同期時空間相関をモデル化するための注意融合型動的グラフ畳み込みネットワークを提案する。
我々は、4つの実世界の交通データセットにおいて、我々の手法が18のベースライン法と比較して最先端の性能を上回ることを示す広範な実験を行った。
論文 参考訳（メタデータ） (2023-02-24T12:21:30Z) - 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) - DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic
Forecasting [7.232141271583618]
以上の問題に対処する新しい動的多重グラフ畳み込み再帰ネットワーク(DMG)を提案する。
距離に基づくグラフを用いて,距離の近いノードから空間情報をキャプチャする。
また,道路間の構造相関を符号化した新しい潜在グラフを構築し,ノードから空間情報をキャプチャする。
論文 参考訳（メタデータ） (2021-12-04T06:51:55Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-25T08:45:14Z) - Space Meets Time: Local Spacetime Neural Network For Traffic Flow
Forecasting [11.495992519252585]
このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。
交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。
提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
論文 参考訳（メタデータ） (2021-09-11T09:04:35Z) - Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph
Convolutional Networks [110.80088437391379]
SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。
深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。
その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
論文 参考訳（メタデータ） (2021-03-13T06:56:29Z) - A3T-GCN: Attention Temporal Graph Convolutional Network for Traffic
Forecasting [4.147625439377302]
A3T-GCN(A3T-GCN)トラヒック予測手法を提案した。
A3T-GCNモデルはゲートリカレントユニットを用いて時系列の短時間傾向を学習し,道路ネットワークのトポロジに基づいて空間依存性を学習する。
実世界のデータセットにおける実験結果は,提案したA3T-GCNの有効性とロバスト性を示す。
論文 参考訳（メタデータ） (2020-06-20T14:12:01Z) - 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) - 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)
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。