論文の概要: A Correlation Information-based Spatiotemporal Network for Traffic Flow Forecasting

• arxiv url: http://arxiv.org/abs/2205.10365v1
• Date: Fri, 20 May 2022 04:38:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 15:07:01.749455
• Title: A Correlation Information-based Spatiotemporal Network for Traffic Flow Forecasting
• Title（参考訳）: 相関情報に基づく交通流予測のための時空間ネットワーク
• Authors: Weiguo Zhu, Yongqi Sun, Xintong Yi, Yan Wang
• Abstract要約: 交通パターンを予測するための新しい相関情報に基づく時間ネットワーク(CorrSTN)を提案する。 特に,最新のモデルであるASTGNNを12.7%,14.4%,27.4%,MAE,RMSE,MAPEをそれぞれ改善した。
• 参考スコア（独自算出の注目度）: 4.933291769305828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the growth of transport modes, high traffic forecasting precision is required in intelligent transportation systems. Most previous works utilize the transformer architecture based on graph neural networks and attention mechanisms to discover spatiotemporal dependencies and dynamic relationships. The correlation information among spatiotemporal sequences, however, has not been thoroughly considered. In this paper, we present two elaborate spatiotemporal representations, spatial correlation information (SCorr) and temporal correlation information (TCorr), among spatiotemporal sequences based on the maximal information coefficient. Using SCorr, we propose a novel correlation information-based spatiotemporal network (CorrSTN), including a dynamic graph neural network component incorporating correlation information into the spatial structure effectively and a multi-head attention component utilizing spatial correlation information to extract dynamic temporal dependencies accurately. Using TCorr, we further explore the correlation pattern among different periodic data and then propose a novel data selection scheme to identify the most relevant data. The experimental results on the highway traffic flow (PEMS07 and PEMS08) and metro crowd flow (HZME inflow and outflow) datasets demonstrate that CorrSTN outperforms the state-of-the-art methods in terms of predictive performance. In particular, on the HZME (outflow) dataset, our model makes significant improvements compared with the latest model ASTGNN by 12.7%, 14.4% and 27.4% in the metrics of MAE, RMSE and MAPE, respectively.
• Abstract（参考訳）: 輸送モードの増大に伴い、インテリジェントな輸送システムでは高い交通予測精度が求められる。 これまでのほとんどの作品は、グラフニューラルネットワークに基づくトランスフォーマーアーキテクチャとアテンションメカニズムを使用して、時空間依存と動的関係を発見する。 しかし,時空間列間の相関情報は十分に考慮されていない。 本稿では,空間相関情報(scorr)と時間相関情報(tcorr)の2つの精巧な時空間表現について,最大情報係数に基づく時空間列について述べる。 SCorrを用いて、空間構造に相関情報を効果的に組み込んだ動的グラフニューラルネットワークコンポーネントと、空間相関情報を利用して動的時間依存性を正確に抽出するマルチヘッドアテンションコンポーネントを含む、新しい相関情報に基づく時空間ネットワーク(CorrSTN)を提案する。 tcorrを用いて,異なる周期データ間の相関パターンを探索し,関連するデータを特定するための新しいデータ選択手法を提案する。 高速道路交通流 (pems07, pems08) とメトロ・クラウド・フロー (hzme inflow and outflow) データセットの実験結果は,corrstnが予測性能の点で最先端の手法よりも優れていることを示している。 特にhzme(outflow)データセットでは,最新のモデルであるastgnnと比較して,mae,rmse,mapeの指標がそれぞれ12.7%,14.4%,27.4%,大幅に改善した。

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)
• Spatiotemporal Forecasting of Traffic Flow using Wavelet-based Temporal Attention [3.049645421090079]
  本稿では,ウェーブレットに基づく動的グラフニューラルネットワーク(DS-DSNN)を交通予測問題に対処するための時間的アテンションモデルを提案する。 提案手法は動的時間的および空間的ベンチマークをよりよく処理し,信頼性の高い長期予測を行う。
  論文  参考訳（メタデータ） (2024-07-05T11:42:39Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• Residual Graph Convolutional Recurrent Networks For Multi-step Traffic Flow Forecasting [12.223433627287605]
  我々は、Residual Graph Convolutional Recurrent Network(RGCRN)という新しい時空間予測モデルを提案する。 このモデルでは,提案したResidual Graph Convolutional Network (ResGCN) を用いて,道路網の微細な空間相関を捉える。 2つの実際のデータセットの比較実験の結果、RCCRNは最高のベースラインモデルと比較して平均20.66%改善していることがわかった。
  論文  参考訳（メタデータ） (2022-05-03T13:23:38Z)
• DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic Forecasting [7.232141271583618]
  以上の問題に対処する新しい動的多重グラフ畳み込み再帰ネットワーク(DMG)を提案する。 距離に基づくグラフを用いて,距離の近いノードから空間情報をキャプチャする。 また,道路間の構造相関を符号化した新しい潜在グラフを構築し,ノードから空間情報をキャプチャする。
  論文  参考訳（メタデータ） (2021-12-04T06:51:55Z)
• STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention Network for Traffic Forecasting [7.232141271583618]
  非効率な時空間継手線形注意(SSTLA)と呼ばれる交通予測のための新しいディープラーニングモデルを提案する。 SSTLAは、全時間ノード間のグローバル依存を効率的に捉えるために、ジョイントグラフに線形注意を適用する。 実世界の2つの交通データセットであるイングランドとテンポラル7の実験は、我々のSTJLAが最先端のベースラインよりも9.83%と3.08%の精度でMAE測定を達成できることを示した。
  論文  参考訳（メタデータ） (2021-12-04T06:39:18Z)
• 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)
• 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)
• 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)
• Forecast Network-Wide Traffic States for Multiple Steps Ahead: A Deep Learning Approach Considering Dynamic Non-Local Spatial Correlation and Non-Stationary Temporal Dependency [6.019104024723682]
  本研究では,交通予測における2つの問題について検討する。(1)交通リンク間の動的・非局所的な空間的相関を捉え,(2)正確な複数ステップの予測を行うための時間依存性のダイナミクスをモデル化する。 本稿では,これらの問題に対処するため,時空間列列モデル(STSeq2Seq)というディープラーニングフレームワークを提案する。 このモデルは、時間的特徴を捉えるためにシーケンスからシーケンス(seq2seq)アーキテクチャに基づいて構築され、空間情報を集約するためのグラフ畳み込みに依存している。
  論文  参考訳（メタデータ） (2020-04-06T03:40:56Z)
• 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。