論文の概要: A Spatial-Temporal Attention Multi-Graph Convolution Network for
Ride-Hailing Demand Prediction Based on Periodicity with Offset
- arxiv url: http://arxiv.org/abs/2203.12505v1
- Date: Wed, 23 Mar 2022 16:03:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-24 13:46:09.986377
- Title: A Spatial-Temporal Attention Multi-Graph Convolution Network for
Ride-Hailing Demand Prediction Based on Periodicity with Offset
- Title(参考訳): オフセット付き周期性に基づく配車需要予測のための時空間注意多グラフ畳み込みネットワーク
- Authors: Dong Xing, Chenguang Zhao, Gang Wang
- Abstract要約: ライドシェアリングは都市交通の中心となっている。
配車サービスの効率を向上させるためには、交通需要の正確な予測が根本的な課題である。
本稿では,ネットワーク構造とデータセットの定式化の両面からこの問題に対処する。
- 参考スコア(独自算出の注目度): 9.897431292540393
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ride-hailing service is becoming a leading part in urban transportation. To
improve the efficiency of ride-hailing service, accurate prediction of
transportation demand is a fundamental challenge. In this paper, we tackle this
problem from both aspects of network structure and data-set formulation. For
network design, we propose a spatial-temporal attention multi-graph convolution
network (STA-MGCN). A spatial-temporal layer in STA-MGCN is developed to
capture the temporal correlations by temporal attention mechanism and temporal
gate convolution, and the spatial correlations by multigraph convolution. A
feature cluster layer is introduced to learn latent regional functions and to
reduce the computation burden. For the data-set formulation, we develop a novel
approach which considers the transportation feature of periodicity with offset.
Instead of only using history data during the same time period, the history
order demand in forward and backward neighboring time periods from yesterday
and last week are also included. Extensive experiments on the three real-world
datasets of New-York, Chicago and Chengdu show that the proposed algorithm
achieves the state-of-the-art performance for ride-hailing demand prediction.
- Abstract(参考訳): 配車サービスは都市交通の主役になりつつある。
配車サービスの効率を向上させるためには,交通需要の正確な予測が不可欠である。
本稿では,ネットワーク構造とデータセットの定式化の両面からこの問題に対処する。
ネットワーク設計のために,空間的注意型マルチグラフ畳み込みネットワーク(STA-MGCN)を提案する。
STA-MGCNの空間時間層は、時間的注意機構と時間的ゲート畳み込みにより時間的相関を捉え、空間的相関を多重グラフ畳み込みにより捉える。
潜在地域関数を学習し、計算負担を軽減するために特徴クラスタ層を導入する。
データセットの定式化のために、オフセットによる周期性の輸送特性を考慮した新しいアプローチを開発する。
また、同じ期間に履歴データのみを使用する代わりに、昨日と先週の前後の隣接期間の履歴注文要求も含んでいる。
New-York、Chicago、Chengduの3つの実世界のデータセットに対する大規模な実験は、提案アルゴリズムが配車需要予測の最先端のパフォーマンスを達成することを示している。
関連論文リスト
- Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳(メタデータ) (2023-12-04T07:39:05Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2023-06-15T14:50:27Z) - Spatial-temporal traffic modeling with a fusion graph reconstructed by
tensor decomposition [10.104097475236014]
グラフ畳み込みネットワーク(GCN)は交通流予測に広く利用されている。
時空間グラフ隣接行列の設計はGCNの成功の鍵となる。
本稿では, テンソル分解による二元隣接行列の再構成を提案する。
論文 参考訳(メタデータ) (2022-12-12T01:44:52Z) - 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) - Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel
Attention-Based Spatio-Temporal Graph Convolutional Networks [4.318655493189584]
建設工事の影響下での交通速度予測モデルを提案する。
このモデルは、強力なアテンションベースの時間グラフ畳み込みアーキテクチャに基づいているが、様々なチャネルを利用して異なる情報ソースを統合する。
このモデルは、2つのベンチマークデータセットと、北バージニアの散らかった道路の角で収集した新しいデータセットで評価されている。
論文 参考訳(メタデータ) (2021-10-04T16:07:37Z) - Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph
Convolutional Networks [110.80088437391379]
SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。
深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。
その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
論文 参考訳(メタデータ) (2021-03-13T06:56:29Z) - Listening to the city, attentively: A Spatio-Temporal Attention Boosted
Autoencoder for the Short-Term Flow Prediction Problem [0.9625436987364908]
マルチアテンション(空間的および時間的)を備えたSTREED-Netと呼ばれるフレームワークを提案し、高レベルの空間的および時間的特徴をより良くマイニングする。
都市が分断された異なる地域の流入と流出を予測するために、3つの実際のデータセットの実験を行います。
論文 参考訳(メタデータ) (2021-03-01T13:17:33Z) - Passenger Mobility Prediction via Representation Learning for Dynamic
Directed and Weighted Graph [31.062303389341317]
本稿では,gallat (graph prediction with all attention) という新たなグラフアテンションネットワークを提案する。
Gallatでは、DDWグラフの3つの本質的な特性を包括的に組み込むことにより、3つの注意層を構築し、すべての履歴時間スロットにわたって異なる地域間の依存関係を完全にキャプチャします。
提案モデルを実世界のデータセット上で評価し,gallatが最先端のアプローチを上回ることを示した。
論文 参考訳(メタデータ) (2021-01-04T03:32:01Z) - Spatial-Temporal Dynamic Graph Attention Networks for Ride-hailing
Demand Prediction [3.084885761077852]
ライドシェアの需要予測は、リソースの事前配置、車の利用率の向上、ユーザエクスペリエンス向上に役立つ。
既存の配車需要予測手法は、近隣地域でのみ同様の重要性を割り当てている。
本研究では,新しい配車需要予測手法である空間時間動的グラフ注意ネットワーク(STDGAT)を提案する。
論文 参考訳(メタデータ) (2020-06-07T13:00:19Z) - 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) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳(メタデータ) (2020-03-13T04:35:50Z)
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。