論文の概要: GCN-Transformer for short-term passenger flow prediction on holidays in
urban rail transit systems
- arxiv url: http://arxiv.org/abs/2203.00007v1
- Date: Sun, 27 Feb 2022 01:06:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-02 14:54:36.574117
- Title: GCN-Transformer for short-term passenger flow prediction on holidays in
urban rail transit systems
- Title（参考訳）: 都市交通システムにおける休日の短期旅客流予測のためのGCN変換器
- Authors: Shuxin Zhang, Jinlei Zhang, Lixing Yang, Ziyou Gao
- Abstract要約: ホリデーシーズンの短期的乗客フロー予測のためのディープラーニングモデルGCN-Transformerを提案する。
モデルは、正月の休暇中に中国の南京から2つの大規模な実世界のデータセットでテストされる。
- 参考スコア（独自算出の注目度）: 8.123677734462795
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The short-term passenger flow prediction of the urban rail transit system is
of great significance for traffic operation and management. The emerging deep
learning-based models provide effective methods to improve prediction accuracy.
However, most of the existing models mainly predict the passenger flow on
general weekdays, while few studies focus on predicting the holiday passenger
flow, which can provide more significant information for operators because
congestions or accidents generally occur on holidays. To this end, we propose a
deep learning-based model named GCN-Transformer comprising graph conventional
neural network (GCN) and Transformer for short-term passenger flow prediction
on holidays. The GCN is applied to extract the spatial features of passenger
flows and the Transformer is applied to extract the temporal features of
passenger flows. Moreover, in addition to the historical passenger flow data,
social media data are also incorporated into the prediction model, which has
been proven to have a potential correlation with the fluctuation of passenger
flow. The GCN-Transformer is tested on two large-scale real-world datasets from
Nanning, China during the New Year holiday and is compared with several
conventional prediction models. Results demonstrate its better robustness and
advantages among baseline methods, which provides overwhelming support for
practical applications of short-term passenger flow prediction on holidays
- Abstract（参考訳）: 都市鉄道交通システムの短期的な旅客流量予測は、交通運用と管理において非常に重要である。
新たなディープラーニングベースのモデルは、予測精度を改善する効果的な方法を提供する。
しかし、既存のモデルの多くは平日のみの旅客の移動を予測しているが、ホリデーシーズンには渋滞や事故が発生するため、オペレーターにとってより重要な情報を提供するホリデーシーズンの乗客の移動を予測する研究はほとんどない。
そこで本研究では,グラフ型ニューラルネットワーク(gcn)とトランスフォーマ(transformer)を組み合わせた,休日における短期旅客流量予測のためのディープラーニングモデルgcn-transformerを提案する。
gcnは乗客流の空間的特徴を抽出し、トランスは乗客流の時間的特徴を抽出するために適用される。
また, 過去の乗客フローデータに加えて, ソーシャルメディアデータも予測モデルに組み込まれており, 乗客フローの変動と潜在的に相関があることが証明されている。
GCN-Transformerは、正月に中国の南京から2つの大規模な実世界のデータセットでテストされ、従来の予測モデルと比較される。
その結果, ホリデーシーズンにおける短期的乗客フロー予測の実践的活用を圧倒的に支援するベースライン手法の堅牢性と利点が示された。
関連論文リスト
- 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) - HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
HPNetは、新しい動的軌道予測手法である。
逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。
私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
論文 参考訳（メタデータ） (2024-04-09T14:42:31Z) - Multi-graph Spatio-temporal Graph Convolutional Network for Traffic Flow
Prediction [0.5551832942032954]
毎日の交通量予測は、ネットワーク全体の料金所で依然として課題に直面している。
本稿では,流路時間深度学習による日中交通流ハイウェイ領域の相関予測手法を提案する。
本手法は,ビジネスにおけるベースラインや実践的利益よりも予測精度が向上したことを示す。
論文 参考訳（メタデータ） (2023-08-10T14:20:43Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - 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) - Meta-learning Based Short-Term Passenger Flow Prediction for
Newly-Operated Urban Rail Transit Stations [3.718942345103135]
本稿では,Meta-LSTM(Meta Long Short-Term Memory Network)というメタラーニング手法を提案する。
メタLSTM(メタLSTM)は、中国・南京、杭州、北京の地下鉄網に適用される。
論文 参考訳（メタデータ） (2022-10-13T15:27:28Z) - STG-GAN: A spatiotemporal graph generative adversarial networks for
short-term passenger flow prediction in urban rail transit systems [11.167132464665578]
短期の旅客フロー予測は、都市交通システムを管理する上で重要であるが、難しい課題である。
本稿では,予測精度が高く,高い効率,メモリ占有率の低い,ディープラーニングに基づく時間グラフ生成対向ネットワーク(STG-GAN)モデルを提案する。
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、批判的な経験を提供することができる。
論文 参考訳（メタデータ） (2022-02-10T13:18:11Z) - Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。
我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。
本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文 参考訳（メタデータ） (2020-07-10T16:00:44Z) - Graph modelling approaches for motorway traffic flow prediction [6.370406399003785]
本稿では,シドニーの人気のある自動車道に沿って,正確な短期予測を構築するための2つの新しい時空間的アプローチを提案する。
提案手法は, 道路沿いの各目標カウントステーションに対して, 直近で最も近い交通流情報を用いて, バックトラックと近接性を示す近接手法に基づいて構築される。
その結果,10分以内の短期予測では,提案手法は最先端のディープラーニングモデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-06-26T06:54:14Z) - Incorporating travel behavior regularity into passenger flow forecasting [11.763229353978321]
本稿では, 生成機構を標準時系列モデルに組み込むことで, 搭乗フローを予測するための新しいフレームワークを提案する。
我々は,因果関係を要約し,逆流を推定するリターン確率パラレルグラム(RPP)を開発した。
提案手法は,現実の乗客フローデータを用いて評価する。
論文 参考訳（メタデータ） (2020-04-02T13:46:01Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳（メタデータ） (2020-01-09T10:21:04Z)
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。