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
- Heterogeneous Graph Neural Networks for Data-driven Traffic Assignment [6.149316647127476]
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、トラフィック割り当てとトラフィックフロー学習のための新しいデータ駆動アプローチを提案する。
提案モデルでは,異なるリンク間の空間的トラフィックパターンをキャプチャし,高精度な結果が得られる。
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) - 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) - 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) - 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) - 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)
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。