論文の概要: Continuous-Time and Multi-Level Graph Representation Learning for
Origin-Destination Demand Prediction
- arxiv url: http://arxiv.org/abs/2206.15005v1
- Date: Thu, 30 Jun 2022 03:37:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-01 14:40:56.320216
- Title: Continuous-Time and Multi-Level Graph Representation Learning for
Origin-Destination Demand Prediction
- Title（参考訳）: 先行き需要予測のための連続時間および多レベルグラフ表現学習
- Authors: Liangzhe Han, Xiaojian Ma, Leilei Sun, Bowen Du, Yanjie Fu, Weifeng
Lv, Hui Xiong
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 52.0977259978343
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic demand forecasting by deep neural networks has attracted widespread
interest in both academia and industry society. Among them, the pairwise
Origin-Destination (OD) demand prediction is a valuable but challenging problem
due to several factors: (i) the large number of possible OD pairs, (ii)
implicitness of spatial dependence, and (iii) complexity of traffic states. To
address the above issues, this paper proposes a Continuous-time and Multi-level
dynamic graph representation learning method for Origin-Destination demand
prediction (CMOD). Firstly, a continuous-time dynamic graph representation
learning framework is constructed, which maintains a dynamic state vector for
each traffic node (metro stations or taxi zones). The state vectors keep
historical transaction information and are continuously updated according to
the most recently happened transactions. Secondly, a multi-level structure
learning module is proposed to model the spatial dependency of station-level
nodes. It can not only exploit relations between nodes adaptively from data,
but also share messages and representations via cluster-level and area-level
virtual nodes. Lastly, a cross-level fusion module is designed to integrate
multi-level memories and generate comprehensive node representations for the
final prediction. Extensive experiments are conducted on two real-world
datasets from Beijing Subway and New York Taxi, and the results demonstrate the
superiority of our model against the state-of-the-art approaches.
- Abstract（参考訳）: ディープニューラルネットワークによる交通需要予測は、アカデミックと産業社会の両方で広く関心を集めている。
その中でも, ペアワイズ・オリジン・デスティネーション(od)需要予測は, 様々な要因から, 価値あるが困難な問題である。
(i)可能なod対の数が多いこと。
(二)空間依存の暗黙性、及び
(iii)交通状態の複雑さ。
上記の問題に対処するため,本論文では,原点運命需要予測(cmod)のための連続時間および多レベル動的グラフ表現学習手法を提案する。
まず、連続時間動的グラフ表現学習フレームワークを構築し、各トラフィックノード(メトロステーションまたはタクシーゾーン)に対して動的状態ベクトルを保持する。
状態ベクトルは履歴トランザクション情報を保持し、直近のトランザクションに従って継続的に更新される。
次に,ステーションレベルのノードの空間依存性をモデル化するためのマルチレベル構造学習モジュールを提案する。
データからノード間の関係を適応的に利用するだけでなく、クラスタレベルとエリアレベルの仮想ノードを介してメッセージと表現を共有することもできる。
最後に、クロスレベル融合モジュールは、マルチレベルメモリを統合し、最終的な予測のための包括的なノード表現を生成するように設計されている。
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について広範な実験を行い,最先端のアプローチに対して,我々のモデルが優れていることを示した。
関連論文リスト
- Generalizable Implicit Neural Representation As a Universal Spatiotemporal Traffic Data Learner [46.866240648471894]
時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。
本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。
実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
論文 参考訳（メタデータ） (2024-06-13T02:03:22Z) - 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) - 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) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Dynamic Graph Learning Based on Hierarchical Memory for
Origin-Destination Demand Prediction [12.72319550363076]
本稿では,OD要求予測のための動的グラフ表現学習フレームワークを提案する。
特に、階層型メモリ更新器が最初に提案され、各ノードのタイムアウェア表現が維持される。
時間的伝搬機構は、ランダムな時間的経路に沿って隣接ノードの表現を集約する。
目的関数は、最新のノードに従って将来のOD要求を導出するように設計されている。
論文 参考訳（メタデータ） (2022-05-29T07:52:35Z) - Joint Demand Prediction for Multimodal Systems: A Multi-task
Multi-relational Spatiotemporal Graph Neural Network Approach [7.481812882780837]
本研究では,マルチモーダル需要予測のためのマルチリレーショナルグラフニューラルネットワーク(MRGNN)を提案する。
マルチリレーショナルグラフニューラルネットワーク(MRGNN)を導入し,異種空間依存性を捉える。
実験はニューヨーク市の実際のデータセットを用いて行われる。
論文 参考訳（メタデータ） (2021-12-15T12:35:35Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳（メタデータ） (2021-05-17T15:33:25Z) - Coupled Layer-wise Graph Convolution for Transportation Demand
Prediction [43.23120462553671]
グラフ畳み込みネットワーク(gcn)は輸送需要予測に広く適用されている。
本稿では,輸送需要予測のための新しいグラフ畳み込みネットワークを提案する。
実世界の2つのデータセット、NYC Citi BikeとNYC Taxiで実験が行われた。
論文 参考訳（メタデータ） (2020-12-15T04:10:09Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z)
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。