Fugu-MT 論文翻訳(概要): Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities

論文の概要: Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities

arxiv url: http://arxiv.org/abs/2202.03630v1
Date: Tue, 8 Feb 2022 03:58:39 GMT
ステータス: 処理完了
システム内更新日: 2022-02-09 13:44:04.623404
Title: Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities
Title（参考訳）: ドメイン対応型空間時間ネットワーク:都市横断の短期交通予測のための転送可能なフレームワーク
Authors: Yihong Tang, Ao Qu, Andy H.F. Chow, William H.K. Lam, S.C. Wong, Wei Ma
Abstract要約: 本稿では,新しい移動可能な交通予測フレームワークDASTNetを提案する。 DASTNetは複数のソースネットワーク上で事前トレーニングされ、ターゲットネットワークのトラフィックデータに微調整される。 3つのベンチマークデータセット上で、最先端のベースラインメソッドを一貫して上回る。
参考スコア（独自算出の注目度）: 9.891703123090528
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate real-time traffic forecast is critical for intelligent transportation systems (ITS) and it serves as the cornerstone of various smart mobility applications. Though this research area is dominated by deep learning, recent studies indicate that the accuracy improvement by developing new model structures is becoming marginal. Instead, we envision that the improvement can be achieved by transferring the "forecasting-related knowledge" across cities with different data distributions and network topologies. To this end, this paper aims to propose a novel transferable traffic forecasting framework: Domain Adversarial Spatial-Temporal Network (DASTNet). DASTNet is pre-trained on multiple source networks and fine-tuned with the target network's traffic data. Specifically, we leverage the graph representation learning and adversarial domain adaptation techniques to learn the domain-invariant node embeddings, which are further incorporated to model the temporal traffic data. To the best of our knowledge, we are the first to employ adversarial multi-domain adaptation for network-wide traffic forecasting problems. DASTNet consistently outperforms all state-of-the-art baseline methods on three benchmark datasets. The trained DASTNet is applied to Hong Kong's new traffic detectors, and accurate traffic predictions can be delivered immediately (within one day) when the detector is available. Overall, this study suggests an alternative to enhance the traffic forecasting methods and provides practical implications for cities lacking historical traffic data.
Abstract（参考訳）: 正確なリアルタイム交通予測はインテリジェント交通システム(ITS)にとって重要であり、様々なスマートモビリティアプリケーションの基盤となっている。この研究領域は深層学習に支配されているが,近年の研究では,新しいモデル構造の開発による精度向上が限界に達しつつあることが示唆されている。その代わりに、異なるデータ分布とネットワークトポロジを持つ都市間で「予測関連知識」を転送することで、改善が達成できると想定している。そこで本研究では,DASTNet(Domain Adversarial Space-Temporal Network)という,新たなトラフィック予測フレームワークを提案する。 DASTNetは複数のソースネットワーク上で事前トレーニングされ、ターゲットネットワークのトラフィックデータに微調整される。具体的には、グラフ表現学習と対向領域適応技術を利用して、時間的トラフィックデータをモデル化するためにさらに組み込まれたドメイン不変ノード埋め込みを学習する。我々の知る限りでは、ネットワーク全体のトラフィック予測問題に対して、敵のマルチドメイン適応を採用するのは初めてである。 DASTNetは、3つのベンチマークデータセット上で、最先端のベースラインメソッドを一貫して上回る。訓練されたDASTNetは香港の新しい交通検知器に適用され、正確な交通予測は検知器が利用可能になったらすぐに(一日以内に)配信される。本研究は,交通予測手法の拡充と,歴史的交通データを欠く都市への実践的影響を示唆するものである。

関連論文リスト

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)
ST-MLP: A Cascaded Spatio-Temporal Linear Framework with Channel-Independence Strategy for Traffic Forecasting [47.74479442786052]
時空間グラフニューラルネットワーク(STGNN)に関する現在の研究は、しばしば複雑な設計を優先し、精度をわずかに向上させるだけで計算負荷を発生させる。マルチ層パーセプトロン(MLP)モジュールと線形層のみをベースとした,簡潔な時空間モデルST-MLPを提案する。実験の結果,ST-MLPは最先端STGNNと他のモデルよりも精度と計算効率の点で優れていた。
論文参考訳（メタデータ） (2023-08-14T23:34:59Z)
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)
NodeTrans: A Graph Transfer Learning Approach for Traffic Prediction [33.299309349152146]
少ないデータでトラフィック予測を解くために,新しいトランスファー学習手法を提案する。まず、異なる道路ネットワークのノード固有の時空間トラフィックパターンをキャプチャできる時空間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） (2022-07-04T10:06:20Z)
Traffic-Twitter Transformer: A Nature Language Processing-joined Framework For Network-wide Traffic Forecasting [14.71745498591372]
本研究では,公共利用者や交通機関の交通状況を予測するためのフレキシブルで包括的な枠組みを提案する。まず,2つの時系列データ,トラフィック強度,およびTwitterデータ強度の相関性を評価するために,相関研究と線形回帰モデルを構築した。次に、2つの時系列データをソーシャル対応フレームワークであるTraffic-Twitter Transformerに入力し、Nature Language表現を時系列レコードに統合し、長期トラフィック予測を行った。
論文参考訳（メタデータ） (2022-06-19T20:17:15Z)
Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases [7.173242326298134]
多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
論文参考訳（メタデータ） (2022-03-08T09:46:50Z)
Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。提案手法は,高品質なトラフィックフローマップを作成できる。
論文参考訳（メタデータ） (2021-09-29T07:51:49Z)
PSTN: Periodic Spatial-temporal Deep Neural Network for Traffic Condition Prediction [8.255993195520306]
本稿では,交通条件の予測性能を改善するために,周期的深部ニューラルネットワーク(PSTN)を3つのモジュールで提案する。まず、歴史交通情報を折り畳み、グラフ畳み込みネットワークと時間畳み込みネットワークからなるモジュールに供給する。
論文参考訳（メタデータ） (2021-08-05T07:42:43Z)
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)
Transfer Learning with Graph Neural Networks for Short-Term Highway Traffic Forecasting [1.7009370112134283]
Diffusion Convolutional Recurrent Neural Network (DCRNN)は、ハイウェイネットワーク予測のための最先端のグラフニューラルネットワークである。高速ネットワークのデータ豊富な領域で訓練された1つのモデルを用いて、高速道路ネットワークの見えない領域のトラフィックを予測するDCRNNの新しいトランスファー学習手法を開発した。 TL-DCRNNはカリフォルニアのハイウェイネットワークのいくつかの領域から学習でき、ネットワークの見えない領域のトラフィックを高精度に予測できることを示す。
論文参考訳（メタデータ） (2020-04-17T02:29:42Z)

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。