論文の概要: NodeTrans: A Graph Transfer Learning Approach for Traffic Prediction
- arxiv url: http://arxiv.org/abs/2207.01301v1
- Date: Mon, 4 Jul 2022 10:06:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 13:01:59.284589
- Title: NodeTrans: A Graph Transfer Learning Approach for Traffic Prediction
- Title（参考訳）: NodeTrans: トラフィック予測のためのグラフ転送学習アプローチ
- Authors: Xueyan Yin, Feifan Li, Yanming Shen, Heng Qi, and Baocai Yin
- Abstract要約: 少ないデータでトラフィック予測を解くために,新しいトランスファー学習手法を提案する。
まず、異なる道路ネットワークのノード固有の時空間トラフィックパターンをキャプチャできる時空間グラフニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 33.299309349152146
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, deep learning methods have made great progress in traffic
prediction, but their performance depends on a large amount of historical data.
In reality, we may face the data scarcity issue. In this case, deep learning
models fail to obtain satisfactory performance. Transfer learning is a
promising approach to solve the data scarcity issue. However, existing transfer
learning approaches in traffic prediction are mainly based on regular grid
data, which is not suitable for the inherent graph data in the traffic network.
Moreover, existing graph-based models can only capture shared traffic patterns
in the road network, and how to learn node-specific patterns is also a
challenge. In this paper, we propose a novel transfer learning approach to
solve the traffic prediction with few data, which can transfer the knowledge
learned from a data-rich source domain to a data-scarce target domain. First, a
spatial-temporal graph neural network is proposed, which can capture the
node-specific spatial-temporal traffic patterns of different road networks.
Then, to improve the robustness of transfer, we design a pattern-based transfer
strategy, where we leverage a clustering-based mechanism to distill common
spatial-temporal patterns in the source domain, and use these knowledge to
further improve the prediction performance of the target domain. Experiments on
real-world datasets verify the effectiveness of our approach.
- Abstract（参考訳）: 近年,深層学習手法は交通予測に大きな進歩を遂げているが,その性能は膨大な歴史データに依存している。
実際、データ不足の問題に直面するかもしれない。
この場合、ディープラーニングモデルは十分な性能を得ることができない。
転送学習はデータ不足問題を解決するための有望なアプローチである。
しかし、交通予測における既存の伝達学習アプローチは主に、トラフィックネットワーク固有のグラフデータには適さない正規グリッドデータに基づいている。
さらに、既存のグラフベースのモデルでは、ロードネットワーク内の共有トラフィックパターンのみをキャプチャすることができ、ノード固有のパターンの学習も困難である。
本稿では,データリッチソースドメインから学習した知識をデータスカースターゲットドメインに転送可能な,トラフィック予測を少ないデータで解くための新しいトランスファー学習手法を提案する。
まず、異なる道路網のノード固有の時空間交通パターンを捉えることのできる空間-時空間グラフニューラルネットワークを提案する。
そこで我々は,移動のロバスト性を改善するために,ソース領域の共通時空間パターンを蒸留するためにクラスタリングに基づくメカニズムを活用し,これらの知識を用いて対象領域の予測性能をさらに向上するパターンベースの転送戦略を設計する。
実世界のデータセットの実験は、我々のアプローチの有効性を検証する。
関連論文リスト
- Deep Learning-driven Mobile Traffic Measurement Collection and Analysis [0.43512163406552007]
本稿では,空間的・時間的領域において,深層学習(DL)技術の強力な階層的特徴学習能力を利用する。
そこで我々は,都市規模の交通分析と予測のためのソリューションを開発した。
論文 参考訳（メタデータ） (2024-10-14T06:53:45Z) - Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。
DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。
DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
論文 参考訳（メタデータ） (2024-05-23T10:26:18Z) - 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) - Learning State-Augmented Policies for Information Routing in
Communication Networks [92.59624401684083]
我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。
教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。
実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
論文 参考訳（メタデータ） (2023-09-30T04:34:25Z) - 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) - Semantic-Fused Multi-Granularity Cross-City Traffic Prediction [17.020546413647708]
本研究では,異なる粒度で融合した意味を持つ都市間における知識伝達を実現するためのセマンティック・フューズド・マルチグラニュラリティ・トランスファー・ラーニング・モデルを提案する。
本稿では,静的な空間依存を保ちながら,様々な意味を融合する意味融合モジュールを設計する。
STLモデルの有効性を検証するため、6つの実世界のデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2023-02-23T04:26:34Z) - 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) - 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) - TrafficStream: A Streaming Traffic Flow Forecasting Framework Based on
Graph Neural Networks and Continual Learning [10.205873494981633]
グラフニューラルネットワーク(GNN)と連続学習(CL)に基づくストリームトラフィックフロー予測フレームワークであるTrafficStreamを提案する。
新たなトラフィックパターンをマイニングするために,JS-divergence に基づくアルゴリズムを提案する。
モデルの有効性と有効性を検証するために,ストリーミングトラフィックデータセットを構築した。
論文 参考訳（メタデータ） (2021-06-11T09:42:37Z) - 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)
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。