論文の概要: DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2112.02264v1
• Date: Sat, 4 Dec 2021 06:51:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 17:06:20.411304
• Title: DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic Forecasting
• Title（参考訳）: DMGCRN:トラフィック予測のための動的マルチグラフ畳み込みリカレントネットワーク
• Authors: Yanjun Qin, Yuchen Fang, Haiyong Luo, Fang Zhao, Chenxing Wang
• Abstract要約: 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。
• 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 forecasting is a problem of intelligent transportation systems (ITS) and crucial for individuals and public agencies. Therefore, researches pay great attention to deal with the complex spatio-temporal dependencies of traffic system for accurate forecasting. However, there are two challenges: 1) Most traffic forecasting studies mainly focus on modeling correlations of neighboring sensors and ignore correlations of remote sensors, e.g., business districts with similar spatio-temporal patterns; 2) Prior methods which use static adjacency matrix in graph convolutional networks (GCNs) are not enough to reflect the dynamic spatial dependence in traffic system. Moreover, fine-grained methods which use self-attention to model dynamic correlations of all sensors ignore hierarchical information in road networks and have quadratic computational complexity. In this paper, we propose a novel dynamic multi-graph convolution recurrent network (DMGCRN) to tackle above issues, which can model the spatial correlations of distance, the spatial correlations of structure, and the temporal correlations simultaneously. We not only use the distance-based graph to capture spatial information from nodes are close in distance but also construct a novel latent graph which encoded the structure correlations among roads to capture spatial information from nodes are similar in structure. Furthermore, we divide the neighbors of each sensor into coarse-grained regions, and dynamically assign different weights to each region at different times. Meanwhile, we integrate the dynamic multi-graph convolution network into the gated recurrent unit (GRU) to capture temporal dependence. Extensive experiments on three real-world traffic datasets demonstrate that our proposed algorithm outperforms state-of-the-art baselines.
• Abstract（参考訳）: 交通予測は知的交通システム(ITS)の問題であり、個人や公共機関にとって重要である。 そのため,交通システムの複雑な時空間依存性を正確に予測するための研究が注目されている。 しかし、課題は2つある。 1)ほとんどの交通予報研究は、主に近隣のセンサの相関のモデル化と、同様の時空間パターンのビジネス地区等のリモートセンサの相関を無視している。 2) グラフ畳み込みネットワーク (gcns) における静的隣接行列を用いた先行手法では, 交通システムの動的空間依存性を反映するには不十分である。 さらに,全センサの動的相関をモデル化するために自己注意を用いた細粒度手法では,道路網の階層情報を無視し,二次計算複雑性を有する。 本稿では, 距離の空間的相関, 構造の空間的相関, 時間的相関を同時にモデル化できる新しい動的多重グラフ畳み込み再帰ネットワーク(DMGCRN)を提案する。 我々は、距離に基づくグラフを用いて、距離が近いノードから空間情報をキャプチャするだけでなく、道路間の構造相関を符号化し、ノードから空間情報をキャプチャする新しい潜在グラフを構築し、構造的に類似している。 さらに,各センサの近傍を粗粒度領域に分割し,各領域に異なる重みを動的に割り当てる。 一方,動的多重グラフ畳み込みネットワークをゲートリカレントユニット(GRU)に統合し,時間依存性を捉える。 実世界の3つのトラヒックデータセットに関する広範囲な実験により,提案手法が最先端のベースラインを上回ることを示した。

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)
• 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)
• CDGNet: A Cross-Time Dynamic Graph-based Deep Learning Model for Traffic Forecasting [7.169972421976212]
  トラフィック予測のための新しいクロスタイム動的グラフベースディープラーニングモデルCDGNetを提案する。 本研究では,実世界の空間的相関をスパースする時間的動的グラフをスパースするゲーティング機構を設計する。
  論文  参考訳（メタデータ） (2021-12-06T01:56:07Z)
• STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention Network for Traffic Forecasting [7.232141271583618]
  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。
  論文  参考訳（メタデータ） (2021-12-04T06:39:18Z)
• 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)
• 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)
• 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)
• 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。