論文の概要: Graph-GAN: A spatial-temporal neural network for short-term passenger
flow prediction in urban rail transit systems
- arxiv url: http://arxiv.org/abs/2202.06727v1
- Date: Thu, 10 Feb 2022 13:18:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 18:17:38.194269
- Title: Graph-GAN: A spatial-temporal neural network for short-term passenger
flow prediction in urban rail transit systems
- Title(参考訳): Graph-GAN:都市交通システムにおける短時間の乗客フロー予測のための時空間ニューラルネットワーク
- Authors: Hua Li, Jinlei Zhang, Lixing Yang, Jianguo Qi, Ziyou Gao
- Abstract要約: 短期の旅客流予測は、都市交通システムを管理する上で重要な役割を担っている。
簡単な構造と高い予測精度を持つ深層学習に基づくグラフGANモデルを提案する。
Graph-GANは北京地下鉄の2つの大規模な実世界のデータセットでテストされている。
- 参考スコア(独自算出の注目度): 10.58458303366776
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Short-term passenger flow prediction plays an important role in better
managing the urban rail transit (URT) systems. Emerging deep learning models
provide good insights to improve short-term prediction accuracy. However, a
large number of existing prediction models combine diverse neural network
layers to improve accuracy, making their model structures extremely complex and
difficult to be applied to the real world. Therefore, it is necessary to trade
off between the model complexity and prediction performance from the
perspective of real-world applications. To this end, we propose a deep
learning-based Graph-GAN model with a simple structure and high prediction
accuracy to predict short-term passenger flows of the URT network. The
Graph-GAN consists of two major parts: (1) a simplified and static version of
the graph convolution network (GCN) used to extract network topological
information; (2) a generative adversarial network (GAN) used to predict
passenger flows, with generators and discriminators in GAN just composed of
simple fully connected neural networks. The Graph-GAN is tested on two
large-scale real-world datasets from Beijing Subway. A comparison of the
prediction performance of Graph-GAN with those of several state-of-the-art
models illustrates its superiority and robustness. This study can provide
critical experience in conducting short-term passenger flow predictions,
especially from the perspective of real-world applications.
- Abstract(参考訳): 都市交通システム (URT) の整備において, 短期旅客輸送予測が重要な役割を担っている。
新たなディープラーニングモデルは、短期的な予測精度を改善するための優れた洞察を提供する。
しかし、既存の予測モデルの多くは、様々なニューラルネットワーク層を組み合わせて精度を向上し、それらのモデル構造を極めて複雑にし、現実世界に適用することは困難である。
したがって、実世界のアプリケーションの観点から、モデルの複雑さと予測性能のトレードオフが必要である。
そこで本研究では,urtネットワークの短期利用フローを予測するために,構造が単純で高い予測精度を有する深層学習型グラフganモデルを提案する。
グラフganは、(1)ネットワークトポロジ情報を抽出するために使用されるグラフ畳み込みネットワーク(gcn)の単純化された静的バージョン、(2)乗客の流れを予測するために使用される生成的逆ネットワーク(gan)、および単純な完全連結ニューラルネットワークからなるganのジェネレータと判別器の2つの主要な部分から構成されている。
Graph-GANは北京地下鉄の2つの大規模な実世界のデータセットでテストされている。
graph-ganの予測性能と最先端モデルとの比較は、その優位性と堅牢性を示している。
本研究は、特に現実の応用の観点から、短期の乗客フロー予測を行う上で重要な経験を提供することができる。
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) - DST-TransitNet: A Dynamic Spatio-Temporal Deep Learning Model for Scalable and Efficient Network-Wide Prediction of Station-Level Transit Ridership [12.6020349733674]
本稿では,システムワイドライダーシップ予測のためのハイブリッドディープラーニングモデルであるDST-TransitNetを紹介する。
ボゴタのBRTシステムデータでテストされており、3つの異なる社会的シナリオがある。
最先端のモデルを精度、効率、堅牢性で上回る。
論文 参考訳(メタデータ) (2024-10-19T06:59:39Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳(メタデータ) (2024-07-18T15:44:23Z) - 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) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-28T14:27:27Z) - Efficient Traffic State Forecasting using Spatio-Temporal Network
Dependencies: A Sparse Graph Neural Network Approach [6.203371866342754]
交通ネットワークにおける交通予測は、効果的な交通運営と管理にとって最重要事項である。
現在の研究では、長期的な交通予測(30分以上)は依然として難しい。
予測精度を保ちながら、トレーニングコストに対するスパーストレーニングを提案する。
論文 参考訳(メタデータ) (2022-11-06T05:41:39Z) - STGIN: A Spatial Temporal Graph-Informer Network for Long Sequence
Traffic Speed Forecasting [8.596556653895028]
本研究では,長期交通パラメータ予測問題に対処する新しい時空間ニューラルネットワークアーキテクチャを提案する。
注意機構は、遠方の入力から重要な情報を失うことなく、長期的な予測性能を保証する可能性がある。
論文 参考訳(メタデータ) (2022-10-01T05:58:22Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳(メタデータ) (2022-04-01T17:57:36Z) - Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) for
Short-Term Forecasting of Transit Passenger Flow [7.9132565523269625]
交通管理や群衆規制には, 短期的な旅客輸送の予測が不可欠である。
都市交通システムにおける乗客の流れを予測するために,革新的な深層学習手法であるMulti-Graph Convolutional-Recurrent Neural Network (MGC-NN)を提案する。
論文 参考訳(メタデータ) (2021-07-28T08:41:12Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳(メタデータ) (2021-04-04T03:17:42Z) - Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。
本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文 参考訳(メタデータ) (2020-11-23T05:42:20Z)
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。