論文の概要: Spatio-Temporal Dynamic Graph Relation Learning for Urban Metro Flow Prediction

• arxiv url: http://arxiv.org/abs/2204.02650v1
• Date: Wed, 6 Apr 2022 08:07:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 13:04:16.629980
• Title: Spatio-Temporal Dynamic Graph Relation Learning for Urban Metro Flow Prediction
• Title（参考訳）: 都市流予測のための時空間動的グラフ関係学習
• Authors: Peng Xie, Minbo Ma, Tianrui Li, Shenggong Ji, Shengdong Du, Zeng Yu, Junbo Zhang
• Abstract要約: トランスファー駅やノントランスファー駅など、異なる地下鉄駅には独自の交通パターンがある。 メトロステーションの複雑な時間的動的関係をモデル化することは困難である。
• 参考スコア（独自算出の注目度）: 10.300311879377734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban metro flow prediction is of great value for metro operation scheduling, passenger flow management and personal travel planning. However, it faces two main challenges. First, different metro stations, e.g. transfer stations and non-transfer stations, have unique traffic patterns. Second, it is challenging to model complex spatio-temporal dynamic relation of metro stations. To address these challenges, we develop a spatio-temporal dynamic graph relational learning model (STDGRL) to predict urban metro station flow. First, we propose a spatio-temporal node embedding representation module to capture the traffic patterns of different stations. Second, we employ a dynamic graph relationship learning module to learn dynamic spatial relationships between metro stations without a predefined graph adjacency matrix. Finally, we provide a transformer-based long-term relationship prediction module for long-term metro flow prediction. Extensive experiments are conducted based on metro data in Beijing, Shanghai, Chongqing and Hangzhou. Experimental results show the advantages of our method beyond 11 baselines for urban metro flow prediction.
• Abstract（参考訳）: 都市流の予測は,地下鉄運行計画,旅客流管理,個人旅行計画に非常に有用である。 しかし、2つの大きな課題に直面している。 まず、トランスファー駅やノントランスファー駅など、異なるメトロ駅は独自の交通パターンを持っている。 第二に、メトロステーションの複雑な時空間的動的関係をモデル化することは困難である。 これらの課題に対処するため,都市域の駅流れを予測する時空間動的グラフ関係学習モデル(STDGRL)を開発した。 まず,異なる局のトラフィックパターンをキャプチャする時空間ノード埋め込み表現モジュールを提案する。 第2に,動的グラフ関係学習モジュールを用いて,事前定義されたグラフ隣接行列を必要とせず,メトロステーション間の動的空間関係を学習する。 最後に, 長期メトロフロー予測のための変圧器を用いた長期関係予測モジュールを提案する。 北京、上海、重慶、杭州での大規模な実験が実施されている。 実験の結果,11基線以上の都市都市流量予測の利点が示された。

関連論文リスト

• Dynamic Graph Representation Learning for Passenger Behavior Prediction [7.179458364817048]
  乗客の行動予測は、過去の搭乗情報と照会データを通して、乗客の旅行パターンを追跡することを目的としている。 これはスマートシティ開発と公共交通計画にとって不可欠である。 既存の研究は、個々の歴史的相互作用から学ぶための統計手法とシーケンシャルモデルに依存している。
  論文  参考訳（メタデータ） (2024-08-17T04:35:17Z)
• ODMixer: Fine-grained Spatial-temporal MLP for Metro Origin-Destination Prediction [89.46685577447496]
  具体的には、ODMixerは二重分岐構造を持ち、Channel Mixer、Multi-view Mixer、Bidirectional Trend Learnerが関与する。
  論文  参考訳（メタデータ） (2024-04-24T08:46:25Z)
• 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)
• 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)
• D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
  本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。 実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
  論文  参考訳（メタデータ） (2022-07-21T10:19:07Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• Parallel Multi-Graph Convolution Network For Metro Passenger Volume Prediction [8.536743588315696]
  本稿では,並列多グラフ畳み込みと双方向一方向Gated Recurrent Unit(PB-GRU)を重畳した深層学習モデルを提案する。 地下鉄の乗客の流れを実世界の2つのデータセットで分析した結果,モデルの有効性が示された。
  論文  参考訳（メタデータ） (2021-08-29T13:07:18Z)
• Multi-View TRGRU: Transformer based Spatiotemporal Model for Short-Term Metro Origin-Destination Matrix Prediction [12.626657411944949]
  ODメトロマトリクス予測に対処するハイブリド・フレームワークであるMulti-view TRGRUを提案する。 特に、最近のトレンド、日々のトレンド、毎週のトレンドという3つのフロー変化パターンをモデル化するために、3つのモジュールを使用する。 各モジュールにおいて、各ステーションへの埋め込みに基づくマルチビュー表現を構築し、トランスをベースとした再ゲート電流構造に供給する。
  論文  参考訳（メタデータ） (2021-08-09T09:32:42Z)
• Crowding Prediction of In-Situ Metro Passengers Using Smart Card Data [11.781685156308475]
  本稿では,閉鎖型地下鉄システム内の乗客密度を推定する統計モデルを提案する。 予測結果に基づいて,将来の時刻の乗客密度の正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-09-07T04:07:37Z)
• Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction [116.66657468425645]
  本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。 特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。 類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
  論文  参考訳（メタデータ） (2020-01-14T16:47:54Z)

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。