論文の概要: A Graph and Attentive Multi-Path Convolutional Network for Traffic Prediction

• arxiv url: http://arxiv.org/abs/2205.15218v1
• Date: Mon, 30 May 2022 16:24:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-31 18:00:36.148435
• Title: A Graph and Attentive Multi-Path Convolutional Network for Traffic Prediction
• Title（参考訳）: 交通予測のためのグラフと注意型マルチパス畳み込みネットワーク
• Authors: Jianzhong Qi, Zhuowei Zhao, Egemen Tanin, Tingru Cui, Neema Nassir, Majid Sarvi
• Abstract要約: 本稿では,将来的な交通状況を予測するために,グラフおよび注意深いマルチパス畳み込みネットワーク(GAMCN)モデルを提案する。 我々のモデルは交通条件に影響を与える空間的要因と時間的要因に焦点を当てている。 予測精度は,予測誤差が最大18.9%,予測効率が23.4%である。
• 参考スコア（独自算出の注目度）: 16.28015945020806
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Traffic prediction is an important and yet highly challenging problem due to the complexity and constantly changing nature of traffic systems. To address the challenges, we propose a graph and attentive multi-path convolutional network (GAMCN) model to predict traffic conditions such as traffic speed across a given road network into the future. Our model focuses on the spatial and temporal factors that impact traffic conditions. To model the spatial factors, we propose a variant of the graph convolutional network (GCN) named LPGCN to embed road network graph vertices into a latent space, where vertices with correlated traffic conditions are close to each other. To model the temporal factors, we use a multi-path convolutional neural network (CNN) to learn the joint impact of different combinations of past traffic conditions on the future traffic conditions. Such a joint impact is further modulated by an attention} generated from an embedding of the prediction time, which encodes the periodic patterns of traffic conditions. We evaluate our model on real-world road networks and traffic data. The experimental results show that our model outperforms state-of-art traffic prediction models by up to 18.9% in terms of prediction errors and 23.4% in terms of prediction efficiency.
• Abstract（参考訳）: 交通予測は、複雑で絶えず変化する交通システムの性質のため、重要かつ非常に困難な問題である。 この課題に対処するために,道路ネットワークを横断する交通速度などの交通条件を予測するためのグラフと注意深いマルチパス畳み込みネットワーク(GAMCN)モデルを提案する。 交通状況に影響を及ぼす空間的・時間的要因に着目したモデルである。 空間的要因をモデル化するために,道路網のグラフ頂点を潜在空間に埋め込むためのlcgcnと呼ばれるグラフ畳み込みネットワーク(gcn)の変種を提案する。 時間的要因をモデル化するために,複数経路畳み込みニューラルネットワーク(CNN)を用いて,過去の交通条件の異なる組み合わせが将来の交通条件に与える影響を学習する。 このような共同的な影響は、交通条件の周期的なパターンを符号化する予測時間の埋め込みから生じる注意によってさらに変調される。 我々は,実世界の道路網と交通データからモデルを評価する。 実験の結果,予測誤差は最大18.9%,予測効率は23.4%であった。

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)
• Traffic Prediction considering Multiple Levels of Spatial-temporal Information: A Multi-scale Graph Wavelet-based Approach [3.343804744266258]
  本研究では,複雑な交通ネットワークにおける交通状態を予測するためのグラフウェーブレット時間畳み込みネットワーク(MSGWTCN)を提案する。 シアトルのハイウェイネットワークやニューヨーク市マンハッタンの高密度道路ネットワークなど、モデルのパフォーマンスを調べるために、2つの実世界のデータセットが使用されている。
  論文  参考訳（メタデータ） (2024-06-18T20:05:47Z)
• Dynamic Hypergraph Structure Learning for Traffic Flow Forecasting [35.0288931087826]
  交通流予測は、過去のネットワークと交通条件に基づいて将来の交通状況を予測することを目的としている。 この問題は、遠時ニューラルネットワーク(GNN)を用いた交通データにおける複雑な時間相関をモデル化することによって、典型的に解決される。 既存の手法は、近隣情報を線形に集約するメッセージパッシングのパラダイムに従っている。 本稿では,交通流予測のための動的ハイパー構造学習(DyHSL)モデルを提案する。
  論文  参考訳（メタデータ） (2023-09-21T12:44:55Z)
• 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)
• 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)
• STCGAT: Spatial-temporal causal networks for complex urban road traffic flow prediction [12.223433627287605]
  交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。 既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。 本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-21T06:38:34Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Learning dynamic and hierarchical traffic spatiotemporal features with Transformer [4.506591024152763]
  本稿では,空間時間グラフモデリングと長期交通予測のための新しいモデルであるTraffic Transformerを提案する。 Transformerは自然言語処理(NLP)で最も人気のあるフレームワークです。 注目重量行列を解析すれば 道路網の 影響力のある部分を見つけられる 交通網をよりよく学べる
  論文  参考訳（メタデータ） (2021-04-12T02:29:58Z)
• 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)
• 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。