論文の概要: Joint Demand Prediction for Multimodal Systems: A Multi-task
Multi-relational Spatiotemporal Graph Neural Network Approach
- arxiv url: http://arxiv.org/abs/2112.08078v1
- Date: Wed, 15 Dec 2021 12:35:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-16 16:32:09.915914
- Title: Joint Demand Prediction for Multimodal Systems: A Multi-task
Multi-relational Spatiotemporal Graph Neural Network Approach
- Title（参考訳）: マルチモーダルシステムの共同需要予測:マルチタスク型時空間グラフニューラルネットワークアプローチ
- Authors: Yuebing Liang and Guan Huang and Zhan Zhao
- Abstract要約: 本研究では,マルチモーダル需要予測のためのマルチリレーショナルグラフニューラルネットワーク(MRGNN)を提案する。
マルチリレーショナルグラフニューラルネットワーク(MRGNN)を導入し,異種空間依存性を捉える。
実験はニューヨーク市の実際のデータセットを用いて行われる。
- 参考スコア（独自算出の注目度）: 7.481812882780837
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic demand prediction is crucial for the efficient operation and
management of urban transportation systems. Extensive research has been
conducted on single-mode demand prediction, ignoring the fact that the demands
for different transportation modes can be correlated with each other. Despite
some recent efforts, existing approaches to multimodal demand prediction are
generally not flexible enough to account for multiplex networks with diverse
spatial units and heterogeneous spatiotemporal correlations across different
modes. To tackle these issues, this study proposes a multi-relational
spatiotemporal graph neural network (ST-MRGNN) for multimodal demand
prediction. Specifically, the spatial dependencies across modes are encoded
with multiple intra- and inter-modal relation graphs. A multi-relational graph
neural network (MRGNN) is introduced to capture cross-mode heterogeneous
spatial dependencies, consisting of generalized graph convolution networks to
learn the message passing mechanisms within relation graphs and an
attention-based aggregation module to summarize different relations. We further
integrate MRGNNs with temporal gated convolution layers to jointly model
heterogeneous spatiotemporal correlations. Extensive experiments are conducted
using real-world subway and ride-hailing datasets from New York City, and the
results verify the improved performance of our proposed approach over existing
methods across modes. The improvement is particularly large for demand-sparse
locations. Further analysis of the attention mechanisms of ST-MRGNN also
demonstrates its good interpretability for understanding cross-mode
interactions.
- Abstract（参考訳）: 都市交通システムの効率的な運用と管理には動的需要予測が不可欠である。
異なる輸送モードの要求が相互に関連付けられるという事実を無視して、シングルモード需要予測に関する広範な研究が行われている。
近年の努力にもかかわらず、マルチモーダル需要予測の既存のアプローチは、様々な空間単位と異なるモードにまたがる不均質な時空間相関を持つ多重ネットワークを考慮できるほど柔軟ではない。
そこで本研究では,マルチモーダル需要予測のためのマルチリレーショナル時空間グラフニューラルネットワーク(st-mrgnn)を提案する。
具体的には、モード間の空間的依存関係を複数のモーダル内およびモーダル間関係グラフで符号化する。
マルチリレーショナルグラフニューラルネットワーク(MRGNN)を導入し、関係グラフ内のメッセージパッシング機構を学習するための一般化グラフ畳み込みネットワークと、異なる関係を要約するアグリゲーションモジュールからなる、クロスモードな異種空間依存を捕捉する。
さらにMRGNNと時間的ゲート畳み込み層を統合し、異種時空間相関をモデル化する。
ニューヨーク市から実世界の地下鉄および配車データセットを用いて広範な実験を行い,提案手法の既存手法に対する性能向上を検証した。
この改善は需要の少ない場所では特に大きい。
ST-MRGNNの注意機構のさらなる解析は、クロスモード相互作用を理解するための優れた解釈可能性を示す。
関連論文リスト
- Online Multi-modal Root Cause Analysis [61.94987309148539]
ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。
既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。
OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
論文 参考訳（メタデータ） (2024-10-13T21:47:36Z) - Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。
因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
論文 参考訳（メタデータ） (2024-06-07T14:29:21Z) - COOL: A Conjoint Perspective on Spatio-Temporal Graph Neural Network for
Traffic Forecasting [10.392021668859272]
本稿では,先行情報と後続情報から異種グラフをモデル化し,高次時間関係を連続的に捉えるコンジョイント時空間グラフニューラルネットワーク(COOL)を提案する。
交通予知性を高めるために,マルチランクとマルチスケールの両方から多様な時間パターンをモデル化するコンジョイント・アテンション・デコーダを提案する。
論文 参考訳（メタデータ） (2024-03-02T04:30:09Z) - Hierarchical Joint Graph Learning and Multivariate Time Series
Forecasting [0.16492989697868887]
本稿では,相互依存を示すエッジを持つグラフにおいて,多変量信号をノードとして表現する方法を提案する。
我々はグラフニューラルネットワーク(GNN)とアテンションメカニズムを活用し、時系列データ内の基礎となる関係を効率的に学習する。
提案モデルの有効性を,長期予測タスク用に設計された実世界のベンチマークデータセットで評価した。
論文 参考訳（メタデータ） (2023-11-21T14:24:21Z) - 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) - MGNNI: Multiscale Graph Neural Networks with Implicit Layers [53.75421430520501]
暗黙グラフニューラルネットワーク(GNN)は、基礎となるグラフの長距離依存性をキャプチャするために提案されている。
暗黙的GNNの2つの弱点は、長距離依存を捉えるための限られた有効範囲による制約付き表現性と、複数の解像度でグラフ上のマルチスケール情報をキャプチャする能力の欠如である。
グラフ上のマルチスケール構造をモデル化できる暗黙の層(MGNNI)を持つマルチスケールグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-10-15T18:18:55Z) - Continuous-Time and Multi-Level Graph Representation Learning for
Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。
状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。
北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文 参考訳（メタデータ） (2022-06-30T03:37:50Z) - 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) - 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) - 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) - 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。