論文の概要: STformer: A Noise-Aware Efficient Spatio-Temporal Transformer
Architecture for Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2112.02740v1
- Date: Mon, 6 Dec 2021 02:17:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 17:01:23.364559
- Title: STformer: A Noise-Aware Efficient Spatio-Temporal Transformer
Architecture for Traffic Forecasting
- Title（参考訳）: STformer:トラフィック予測のための高効率時空間変換器アーキテクチャ
- Authors: Yanjun Qin, Yuchen Fang, Haiyong Luo, Liang Zeng, Fang Zhao, Chenxing
Wang
- Abstract要約: 本稿では,STformer という,交通予測の精度向上を目的とした新しいノイズ認識型リアルタイムアーキテクチャを提案する。
STformer はノイズ認識時空間自己アテンション (NATSA) とグラフベーススパース空間自己アテンション (GBS3A) の2つのコンポーネントから構成される。
4つの実世界のトラフィックデータセットの実験により、STformerは計算コストを下げて最先端のベースラインを上回っていることが示された。
- 参考スコア（独自算出の注目度）: 7.230415327436048
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic forecasting plays an indispensable role in the intelligent
transportation system, which makes daily travel more convenient and safer.
However, the dynamic evolution of spatio-temporal correlations makes accurate
traffic forecasting very difficult. Existing work mainly employs graph neural
netwroks (GNNs) and deep time series models (e.g., recurrent neural networks)
to capture complex spatio-temporal patterns in the dynamic traffic system. For
the spatial patterns, it is difficult for GNNs to extract the global spatial
information, i.e., remote sensors information in road networks. Although we can
use the self-attention to extract global spatial information as in the previous
work, it is also accompanied by huge resource consumption. For the temporal
patterns, traffic data have not only easy-to-recognize daily and weekly trends
but also difficult-to-recognize short-term noise caused by accidents (e.g., car
accidents and thunderstorms). Prior traffic models are difficult to distinguish
intricate temporal patterns in time series and thus hard to get accurate
temporal dependence. To address above issues, we propose a novel noise-aware
efficient spatio-temporal Transformer architecture for accurate traffic
forecasting, named STformer. STformer consists of two components, which are the
noise-aware temporal self-attention (NATSA) and the graph-based sparse spatial
self-attention (GBS3A). NATSA separates the high-frequency component and the
low-frequency component from the time series to remove noise and capture stable
temporal dependence by the learnable filter and the temporal self-attention,
respectively. GBS3A replaces the full query in vanilla self-attention with the
graph-based sparse query to decrease the time and memory usage. Experiments on
four real-world traffic datasets show that STformer outperforms
state-of-the-art baselines with lower computational cost.
- Abstract（参考訳）: 交通予報はインテリジェント交通システムにおいて欠かせない役割を担っており、日々の交通をより便利かつ安全にしている。
しかしながら、時空間相関の動的発展は、正確な交通予測を非常に困難にする。
既存の研究は主にグラフニューラルネットルーク(gnns)とディープ時系列モデル(例:リカレントニューラルネットワーク)を使用して、動的交通システムにおける複雑な時空間パターンを捉えている。
空間パターンについては,gnnが道路網におけるリモートセンサ情報などグローバル空間情報を抽出することは困難である。
この自己意識を利用して,前回のようなグローバル空間情報を抽出することができるが,資源消費の増大も伴っている。
時間的パターンについては、交通データは日々や毎週の傾向を容易に認識できるだけでなく、事故(自動車事故や雷雨など)による短期的な騒音も認識しにくい。
事前の交通モデルは時系列の複雑な時間的パターンを識別することが困難であり、正確な時間的依存を得ることは困難である。
上記の問題に対処するために,STformer という,交通予測の精度向上を目的とした新しいノイズ対応型時空間トランスフォーマアーキテクチャを提案する。
STformerはノイズ対応時空間自己注意(NATSA)とグラフベーススパース空間自己注意(GBS3A)の2つのコンポーネントから構成される。
NATSAは、高周波成分と低周波成分とを時系列から分離し、ノイズを除去し、学習可能なフィルタと時間的自己注意によって安定した時間的依存を捕捉する。
gbs3aは、バニラセルフアテンションのフルクエリをグラフベースのスパースクエリに置き換え、時間とメモリ使用量を削減する。
実世界の4つのトラヒックデータセットの実験は、stformerが計算コストの低い最先端のベースラインよりも優れていることを示している。
関連論文リスト
- Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。
単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
論文 参考訳（メタデータ） (2025-01-07T03:23:28Z) - 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) - Navigating Spatio-Temporal Heterogeneity: A Graph Transformer Approach for Traffic Forecasting [13.309018047313801]
交通予測はスマートシティの発展において重要な研究分野として浮上している。
最短時間相関のためのネットワークモデリングの最近の進歩は、パフォーマンスのリターンが低下し始めている。
これらの課題に対処するために、時空間グラフ変換器(STGormer)を導入する。
本研究では,その構造に基づく空間符号化手法を2つ設計し,時間位置をバニラ変圧器に統合して時間的トラフィックパターンをキャプチャする。
論文 参考訳（メタデータ） (2024-08-20T13:18:21Z) - Dynamic Frequency Domain Graph Convolutional Network for Traffic
Forecasting [33.538633286142264]
ランダム要因による交通パターンと騒音の時間変化は、データ駆動型空間依存モデリングを妨げている。
本研究では,空間依存性を捉えるために,新しい動的周波数領域グラフ畳み込みネットワーク(DFDGCN)を提案する。
実世界の4つのデータセットの実験において,本モデルは有効であり,ベースラインを上回っている。
論文 参考訳（メタデータ） (2023-12-19T08:20:09Z) - 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) - 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) - STLGRU: Spatio-Temporal Lightweight Graph GRU for Traffic Flow
Prediction [0.40964539027092917]
本稿では,交通流を正確に予測する新しい交通予測モデルSTLGRUを提案する。
提案するSTLGRUは,交通ネットワークの局所的・大域的空間的関係を効果的に捉えることができる。
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） (2022-12-08T20:24:59Z) - 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) - 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) - 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。