Fugu-MT 論文翻訳(概要): Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases

論文の概要: Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases

arxiv url: http://arxiv.org/abs/2203.03965v1
Date: Tue, 8 Mar 2022 09:46:50 GMT
ステータス: 処理完了
システム内更新日: 2022-03-09 21:55:21.154866
Title: Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases
Title（参考訳）: localeをリレーショナルインダクティブバイアスとして用いたグラフネットワークによるマイトショットトラヒック予測
Authors: Mingxi Li, Yihong Tang, Wei Ma
Abstract要約: 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。
参考スコア（独自算出の注目度）: 7.173242326298134
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate short-term traffic prediction plays a pivotal role in various smart mobility operation and management systems. Currently, most of the state-of-the-art prediction models are based on graph neural networks (GNNs), and the required training samples are proportional to the size of the traffic network. In many cities, the available amount of traffic data is substantially below the minimum requirement due to the data collection expense. It is still an open question to develop traffic prediction models with a small size of training data on large-scale networks. We notice that the traffic states of a node for the near future only depend on the traffic states of its localized neighborhoods, which can be represented using the graph relational inductive biases. In view of this, this paper develops a graph network (GN)-based deep learning model LocaleGn that depicts the traffic dynamics using localized data aggregating and updating functions, as well as the node-wise recurrent neural networks. LocaleGn is a light-weighted model designed for training on few samples without over-fitting, and hence it can solve the problem of few-shot traffic prediction. The proposed model is examined on predicting both traffic speed and flow with six datasets, and the experimental results demonstrate that LocaleGn outperforms existing state-of-the-art baseline models. It is also demonstrated that the learned knowledge from LocaleGn can be transferred across cities. The research outcomes can help to develop light-weighted traffic prediction systems, especially for cities lacking in historically archived traffic data.
Abstract（参考訳）: 正確な短期交通予測は、様々なスマートモビリティの運用と管理システムにおいて重要な役割を果たす。現在、最先端の予測モデルのほとんどはグラフニューラルネットワーク(GNN)に基づいており、必要なトレーニングサンプルはトラフィックネットワークのサイズに比例している。多くの都市では、データ収集コストのため、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。大規模ネットワーク上でのトレーニングデータが少ないトラフィック予測モデルを開発することは,依然としてオープンな問題である。近い将来、ノードのトラフィック状態は、その局所化された近傍のトラフィック状態にのみ依存し、グラフ関係帰納バイアスを用いて表現できることに気付く。本稿では,グラフネットワーク(gn)ベースのディープラーニングモデルであるlocalegnを開発し,局所化データ集約と更新関数とノード毎のリカレントニューラルネットワークを用いたトラヒックダイナミクスを記述する。 LocaleGnは、過度に適合しない少数のサンプルをトレーニングするために設計された軽量モデルである。提案モデルでは,6つのデータセットによるトラフィック速度とフローの予測について検討し,実験結果から,LocaleGnが既存の最先端ベースラインモデルより優れていることが示された。また、LocaleGnから学んだ知識を都市間で伝達できることが示されている。研究成果は、特に歴史的にアーカイブされた交通データに欠けている都市において、軽量な交通予測システムの開発に役立つ。

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)
Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文参考訳（メタデータ） (2024-10-28T09:19:29Z)
FLEXIBLE: Forecasting Cellular Traffic by Leveraging Explicit Inductive Graph-Based Learning [1.4216957119562985]
本稿では,新しい帰納学習手法と一般化可能なGNNベースの予測モデルを導入する。実験の結果、最先端と比較して9.8%の性能改善が見られた。
論文参考訳（メタデータ） (2024-05-14T07:53:23Z)
BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文参考訳（メタデータ） (2024-03-08T04:19:56Z)
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 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)
Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction [3.4806267677524896]
本稿では,交通システムの力学を明示的に学習するアテンションベースグラフニューラルODE(AST)を提案する。本モデルでは,異なる期間のトラフィックパターンを集約し,実世界の2つのトラフィックデータセットに対して良好な性能を示す。
論文参考訳（メタデータ） (2023-05-01T00:58:48Z)
LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
論文参考訳（メタデータ） (2022-03-24T03:31:18Z)
Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文参考訳（メタデータ） (2021-04-27T18:17:42Z)
Graph Neural Network for Traffic Forecasting: A Survey [1.1977931648859175]
本稿では,交通予測問題に対するグラフニューラルネットワークの適用を探求する,初めての総合的な調査である。我々は,各問題と今後の研究方向性について,オープンデータとソースリソースのコレクションを提示する。また、最新の論文、オープンデータ、およびソースリソースを更新するための公開Githubリポジトリも作成しました。
論文参考訳（メタデータ） (2021-01-27T02:35:41Z)
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。