論文の概要: Spatial-Temporal Interactive Dynamic Graph Convolution Network for Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2205.08689v1
• Date: Wed, 18 May 2022 01:59:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-19 12:12:09.704479
• Title: Spatial-Temporal Interactive Dynamic Graph Convolution Network for Traffic Forecasting
• Title（参考訳）: 交通予測のための時空間対話型動的グラフ畳み込みネットワーク
• Authors: Aoyu Liu, Yaying Zhang
• Abstract要約: 本稿では,トラフィック予測のためのニューラルネットワークを用いた時空間動的グラフ畳み込みネットワーク(STIDGCN)を提案する。 そこで,STIDGCNでは,まず間隔でシーケンスを分割し,同時にトラフィックデータの時空間依存性を捉えるインタラクティブな動的グラフ畳み込み構造を提案する。 4つの実世界のトラフィックフローデータセットの実験は、STIDGCNが最先端のベースラインより優れていることを示した。
• 参考スコア（独自算出の注目度）: 1.52292571922932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate traffic forecasting is essential for smart cities to achieve traffic flow control, route planning, and detection. Although many spatial-temporal methods are currently proposed, these methods are deficient in capturing the spatial-temporal dependence of traffic data synchronously. In addition, most of the methods ignore the dynamically changing correlations between road network nodes that arise as traffic data changes. To address the above challenges, we propose a neural network-based Spatial-Temporal Interactive Dynamic Graph Convolutional Network (STIDGCN) for traffic forecasting in this paper. In STIDGCN, we propose an interactive dynamic graph convolution structure, which first divides the sequences at intervals and captures the spatial-temporal dependence of the traffic data simultaneously through an interactive learning strategy for effective long-term prediction. We propose a novel dynamic graph convolution module consisting of a graph generator, fusion graph convolution. The dynamic graph convolution module can use the input traffic data, pre-defined graph structure to generate a graph structure and fuse it with the defined adaptive adjacency matrix, which is used to achieve the filling of the pre-defined graph structure and simulate the generation of dynamic associations between nodes in the road network. Extensive experiments on four real-world traffic flow datasets demonstrate that STIDGCN outperforms the state-of-the-art baseline.
• Abstract（参考訳）: 交通流制御,経路計画,検出を実現するためには,スマートシティにとって正確な交通予測が不可欠である。 現在,多くの時空間法が提案されているが,これらの手法は交通データの時空間依存性を同期的に捉えるには不十分である。 さらに、ほとんどの手法は、トラフィックデータの変化に伴って発生する道路ネットワークノード間の動的に変化する相関を無視する。 本稿では,トラフィック予測のためのニューラルネットワークを用いた空間-時間対話型動的グラフ畳み込みネットワーク(stidgcn)を提案する。 stidgcnでは、対話型学習戦略を用いて、まず間隔毎にシーケンスを分割し、トラヒックデータの空間的-時間的依存性を同時に捉え、有効長期予測を行う対話型動的グラフ畳み込み構造を提案する。 本稿では,グラフ生成器と融合グラフ畳み込みからなる新しい動的グラフ畳み込みモジュールを提案する。 動的グラフ畳み込みモジュールは、入力トラフィックデータ、事前定義されたグラフ構造を使用してグラフ構造を生成し、事前定義されたグラフ構造を満たすために使用される定義された適応隣接マトリックスと融合し、道路網のノード間の動的関連の発生をシミュレートすることができる。 4つの現実世界のトラフィックフローデータセットに関する広範な実験は、sidgcnが最先端のベースラインを上回ることを示している。

関連論文リスト

• A novel hybrid time-varying graph neural network for traffic flow forecasting [3.6623539239888556]
  インテリジェント交通システムの効率化には,リアルタイムかつ正確な交通流予測が不可欠である。 従来のグラフニューラルネットワーク(GNN)は、都市道路網における交通ノード間の空間的相関を記述するために用いられる。 我々は交通流予測のための新しいハイブリッド時変グラフニューラルネットワーク(HTVGNN)を提案している。
  論文  参考訳（メタデータ） (2024-01-17T07:21:36Z)
• Attention-based Dynamic Graph Convolutional Recurrent Neural Network for Traffic Flow Prediction in Highway Transportation [0.6650227510403052]
  高速道路交通における交通流予測を改善するために,注意に基づく動的グラフ畳み込みリカレントニューラルネットワーク(ADG-N)を提案する。 グラフ畳み込み演算のオーバーフィッティングを低減するために、高い相対ノードを強調する専用ゲートカーネルが完全なグラフ上に導入された。
  論文  参考訳（メタデータ） (2023-09-13T13:57:21Z)
• 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)
• 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)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• A Dynamic Temporal Self-attention Graph Convolutional Network for Traffic Prediction [7.23135508361981]
  本稿では,隣接する行列をトレーニング可能なアテンションスコア行列とする時間自己アテンショングラフ畳み込みネットワーク(DT-SGN)モデルを提案する。 実世界の交通データセット上での最先端モデル駆動モデルとデータ駆動モデルよりも,本手法の方が優れていることを示す実験を行った。
  論文  参考訳（メタデータ） (2023-02-21T03:51:52Z)
• 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)
• 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)
• Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting [47.19400232038575]
  ノード固有のパターンの学習は、事前に定義されたグラフが避けられる間、トラフィック予測に不可欠である、と我々は主張する。 本稿では,新たな機能を備えたグラフ・コンパス・ネットワーク(GCN)の拡張のための2つの適応モジュールを提案する。 実世界の2つの交通データセットに対する実験により、AGCRNは空間接続に関する事前定義されたグラフを使わずに、かなりのマージンで最先端の性能を示した。
  論文  参考訳（メタデータ） (2020-07-06T15:51:10Z)
• 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。