論文の概要: Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic
Flow Patterns Using a Graph Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2202.10508v1
- Date: Mon, 21 Feb 2022 19:45:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 16:20:02.218587
- Title: Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic
Flow Patterns Using a Graph Convolutional Neural Network
- Title（参考訳）: データ駆動型トラフィックアサインメント:グラフ畳み込みニューラルネットワークを用いたトラフィックフローパターン学習のための新しいアプローチ
- Authors: Rezaur Rahman and Samiul Hasan
- Abstract要約: 本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。
モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
- 参考スコア（独自算出の注目度）: 1.3706331473063877
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel data-driven approach of learning traffic flow patterns of
a transportation network given that many instances of origin to destination
(OD) travel demand and link flows of the network are available. Instead of
estimating traffic flow patterns assuming certain user behavior (e.g., user
equilibrium or system optimal), here we explore the idea of learning those flow
patterns directly from the data. To implement this idea, we have formulated the
traffic-assignment problem as a data-driven learning problem and developed a
neural network-based framework known as Graph Convolutional Neural Network
(GCNN) to solve it. The proposed framework represents the transportation
network and OD demand in an efficient way and utilizes the diffusion process of
multiple OD demands from nodes to links. We validate the solutions of the model
against analytical solutions generated from running static user
equilibrium-based traffic assignments over Sioux Falls and East Massachusetts
networks. The validation result shows that the implemented GCNN model can learn
the flow patterns very well with less than 2% mean absolute difference between
the actual and estimated link flows for both networks under varying congested
conditions. When the training of the model is complete, it can instantly
determine the traffic flows of a large-scale network. Hence this approach can
overcome the challenges of deploying traffic assignment models over large-scale
networks and open new directions of research in data-driven network modeling.
- Abstract（参考訳）: 本稿では,交通ネットワークのトラフィックフローパターンを学習するためのデータ駆動型アプローチを提案する。
ユーザの行動(例えば、ユーザ均衡やシステム最適)を想定してトラフィックフローパターンを推定するのではなく、データから直接フローパターンを学習するというアイデアを探求する。
そこで本研究では,トラフィック割り当て問題をデータ駆動学習問題として定式化し,グラフ畳み込みニューラルネットワーク(gcnn)と呼ばれるニューラルネットワークベースのフレームワークを開発した。
提案手法は,輸送ネットワークとod要求を効率的に表現し,ノードからリンクへの複数のod要求の拡散プロセスを利用する。
本稿では,Sioux FallsおよびEast Massachusettsネットワーク上での静的ユーザ平衡に基づくトラフィック割り当てから生成された解析解に対するモデルの解を検証する。
検証の結果,実装したgcnnモデルでは,各ネットワークの実際のリンクフローと推定リンクフローとの絶対差が2%未満で,フローパターンを非常によく学習できることがわかった。
モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
したがって、大規模なネットワーク上にトラフィック割り当てモデルを展開するという課題を克服し、データ駆動型ネットワークモデリングにおける新たな研究方向を開くことができる。
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) - Heterogeneous Graph Sequence Neural Networks for Dynamic Traffic Assignment [5.205252810216621]
グラフニューラルネットワークを利用するような既存のトラフィック予測アプローチは、通常はセンサロケーションに限られる。
異種時空間グラフシーケンスネットワーク(HSTG)を提案する。
HSTGは、たとえ長距離であっても、オリジンノードと宛先ノード間の依存性を利用して、オリジン決定要求の下で暗黙の車両経路選択を学習する。
論文 参考訳（メタデータ） (2024-08-07T23:41:09Z) - Energy-Guided Data Sampling for Traffic Prediction with Mini Training Datasets [13.065729535009925]
本稿では、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)アーキテクチャを融合して、トラフィックフローのダイナミクスを予測する革新的なソリューションを提案する。
本研究の重要な成果は,小規模な交通システムを対象としたシミュレーションから,大規模交通システムのトレーニングデータをサンプリングできることである。
論文 参考訳（メタデータ） (2024-03-27T15:57:42Z) - End-to-End Heterogeneous Graph Neural Networks for Traffic Assignment [5.205252810216621]
我々は、異種グラフニューラルネットワークのパワーを活用して、トラフィック割り当てのための新しいエンドツーエンドサロゲートモデルを提案する。
本モデルでは,アダプティブグラフアテンション機構と,原点-終点ノードペアを接続する補助的な"仮想"リンクを統合する。
提案するヘテロジニアスグラフニューラルネットワークモデルは,収束率や予測精度の観点から,従来のニューラルネットワークモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-10-19T23:04:09Z) - Learning State-Augmented Policies for Information Routing in
Communication Networks [92.59624401684083]
我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。
教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。
実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
論文 参考訳（メタデータ） (2023-09-30T04:34:25Z) - Dynamic Causal Graph Convolutional Network for Traffic Prediction [19.759695727682935]
本稿では,時間変動動的ネットワークを組み込んだトラフィック予測手法を提案する。
次に、グラフ畳み込みネットワークを使用してトラフィック予測を生成します。
実交通データを用いた実験結果から,提案手法の予測性能が優れていることを示す。
論文 参考訳（メタデータ） (2023-06-12T10:46:31Z) - 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) - Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。
我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-08-17T02:01:18Z) - 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) - TrafficStream: A Streaming Traffic Flow Forecasting Framework Based on
Graph Neural Networks and Continual Learning [10.205873494981633]
グラフニューラルネットワーク(GNN)と連続学習(CL)に基づくストリームトラフィックフロー予測フレームワークであるTrafficStreamを提案する。
新たなトラフィックパターンをマイニングするために,JS-divergence に基づくアルゴリズムを提案する。
モデルの有効性と有効性を検証するために,ストリーミングトラフィックデータセットを構築した。
論文 参考訳（メタデータ） (2021-06-11T09:42:37Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。