論文の概要: Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2202.12586v1
- Date: Fri, 25 Feb 2022 10:02:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-28 15:21:12.786857
- Title: Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting
- Title（参考訳）: 交通予測のための時空間グラフ構造学習
- Authors: Jiabin Tang, Tang Qian, Shijing Liu, Shengdong Du, Jie Hu, Tianrui Li
- Abstract要約: S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。
このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。
kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
- 参考スコア（独自算出の注目度）: 6.428566223253948
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate traffic forecasting, the foundation of intelligent transportation
systems (ITS), has never been more significant than nowadays due to the
prosperity of the smart cities and urban computing. Recently, Graph Neural
Network truly outperforms the traditional methods. Nevertheless, the most
conventional GNN based model works well while given a pre-defined graph
structure. And the existing methods of defining the graph structures focus
purely on spatial dependencies and ignored the temporal correlation. Besides,
the semantics of the static pre-defined graph adjacency applied during the
whole training progress is always incomplete, thus overlooking the latent
topologies that may fine-tune the model. To tackle these challenges, we
proposed a new traffic forecasting framework--Spatio-Temporal Latent Graph
Structure Learning networks (ST-LGSL). More specifically, the model employed a
graph generator based on Multilayer perceptron and K-Nearest Neighbor, which
learns the latent graph topological information from the entire data
considering both spatial and temporal dynamics. Furthermore, with the
initialization of MLP-kNN based on ground-truth adjacency matrix and similarity
metric in kNN, ST-LGSL aggregates the topologies focusing on geography and node
similarity. Additionally, the generated graphs act as the input of
spatio-temporal prediction module combined with the Diffusion Graph
Convolutions and Gated Temporal Convolutions Networks. Experimental results on
two benchmarking datasets in real world demonstrate that ST-LGSL outperforms
various types of state-of-art baselines.
- Abstract（参考訳）: インテリジェント交通システム(ITS)の基盤である正確な交通予測は、スマートシティや都市コンピューティングの繁栄により、近年ではそれほど重要ではない。
近年,グラフニューラルネットワークは従来の手法よりも優れています。
しかしながら、最も一般的なGNNベースのモデルは、事前に定義されたグラフ構造を与えられた状態でうまく機能する。
グラフ構造を定義する既存の手法は,空間的依存にのみ焦点をあて,時間的相関を無視する。
さらに、トレーニングの進行中に適用される静的事前定義されたグラフの隣接性のセマンティクスは常に不完全であり、モデルが微調整される可能性のある潜在トポロジを見渡せる。
これらの課題に対処するため、我々は新しいトラフィック予測フレームワーク、-Spatio-Temporal Latent Graph Structure Learning Network (ST-LGSL)を提案した。
より具体的には、多層パーセプトロンに基づくグラフ生成器と、空間的および時間的ダイナミクスを考慮したデータ全体から潜在グラフトポロジ情報を学習するk-nearest近傍を用いた。
さらに,MLP-kNNの初期化により,KNNの接地確率行列と類似度測定値に基づいて,ST-LGSLは地理的およびノード類似性に着目したトポロジを集約する。
さらに、生成されたグラフは、Diffusion Graph ConvolutionsとGated Temporal Convolutions Networksを組み合わせた時空間予測モジュールの入力として機能する。
実世界の2つのベンチマークデータセットの実験結果は、ST-LGSLが様々な種類の最先端ベースラインより優れていることを示している。
関連論文リスト
- FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure
Graph Perspective [48.00240550685946]
現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。
提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。
7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
論文 参考訳（メタデータ） (2023-11-10T17:13:26Z) - STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural Networks for Traffic Prediction [9.467593700532401]
本稿では,グラフ学習戦略と一般的なグラフ畳み込みアルゴリズムの体系的なレビューを行う。
次に、最近提案された空間時間グラフネットワークモデルの長所と短所を包括的に分析する。
ディープラーニングフレームワークPyTorchを用いたSTG4Trafficという研究を構築し,2種類のトラフィックデータセットに対して,標準化されたスケーラブルなベンチマークを確立する。
論文 参考訳（メタデータ） (2023-07-02T06:56:52Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。
本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。
解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
論文 参考訳（メタデータ） (2022-10-28T16:59:51Z) - Graph-Time Convolutional Neural Networks: Architecture and Theoretical
Analysis [12.995632804090198]
グラフ時間畳み込みニューラルネットワーク(GTCNN)を学習支援の原則アーキテクチャとして導入する。
このアプローチはどんな種類のプロダクトグラフでも機能し、パラメトリックグラフを導入して、プロダクトの時間的結合も学べます。
GTCNNが最先端のソリューションと好意的に比較できることを示す。
論文 参考訳（メタデータ） (2022-06-30T10:20:52Z) - Spatial-Temporal Adaptive Graph Convolution with Attention Network for
Traffic Forecasting [4.1700160312787125]
交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。
まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。
第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
論文 参考訳（メタデータ） (2022-06-07T09:08:35Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - HiSTGNN: Hierarchical Spatio-temporal Graph Neural Networks for Weather
Forecasting [13.317147032467306]
複数の局における気象変数間の時間的相互相関をモデル化するためのグラフ階層時空間ニューラルネットワーク(HiSTGNN)を提案する。
3つの実世界の気象データセットの実験結果は、HiSTGNNが7つの基準線を超える優れた性能を示した。
特に最先端の天気予報法と比較して誤差を4.2%から11.6%に減らす。
論文 参考訳（メタデータ） (2022-01-22T17:30:46Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-25T08:45:14Z) - Bayesian Graph Convolutional Network for Traffic Prediction [23.30484840210517]
これらの問題を緩和するためにベイズグラフ畳み込みネットワーク(BGCN)フレームワークを提案する。
この枠組みの下では、グラフ構造はパラメトリック生成モデルからランダムな実現と見なされる。
本手法の有効性を5つの実世界データセットで検証し,BGCNが最新手法と比較して優れた性能を発揮することを実証した。
論文 参考訳（メタデータ） (2021-04-01T14:19:37Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
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。