論文の概要: Spatiotemporal Propagation Learning for Network-Wide Flight Delay
Prediction
- arxiv url: http://arxiv.org/abs/2207.06959v1
- Date: Thu, 14 Jul 2022 14:30:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-15 17:59:32.372012
- Title: Spatiotemporal Propagation Learning for Network-Wide Flight Delay
Prediction
- Title（参考訳）: ネットワーク側飛行遅延予測のための時空間伝搬学習
- Authors: Yuankai Wu, Hongyu Yang, Yi Lin, Hong Liu
- Abstract要約: 本研究では時空間分離可能な畳み込みネットワークである時空間ネットワーク(STP)を提案する。
時間的依存性モデリングの関係から,複数種類の時間的依存性遅延時間について,エンドツーエンドで学習し,明確に推論できる多面的自己注意型手法を提案する。
- 参考スコア（独自算出の注目度）: 17.632313431251383
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Demystifying the delay propagation mechanisms among multiple airports is
fundamental to precise and interpretable delay prediction, which is crucial
during decision-making for all aviation industry stakeholders. The principal
challenge lies in effectively leveraging the spatiotemporal dependencies and
exogenous factors related to the delay propagation. However, previous works
only consider limited spatiotemporal patterns with few factors. To promote more
comprehensive propagation modeling for delay prediction, we propose
SpatioTemporal Propagation Network (STPN), a space-time separable graph
convolutional network, which is novel in spatiotemporal dependency capturing.
From the aspect of spatial relation modeling, we propose a multi-graph
convolution model considering both geographic proximity and airline schedule.
From the aspect of temporal dependency capturing, we propose a multi-head
self-attentional mechanism that can be learned end-to-end and explicitly reason
multiple kinds of temporal dependency of delay time series. We show that the
joint spatial and temporal learning models yield a sum of the Kronecker
product, which factors the spatiotemporal dependence into the sum of several
spatial and temporal adjacency matrices. By this means, STPN allows cross-talk
of spatial and temporal factors for modeling delay propagation. Furthermore, a
squeeze and excitation module is added to each layer of STPN to boost
meaningful spatiotemporal features. To this end, we apply STPN to multi-step
ahead arrival and departure delay prediction in large-scale airport networks.
To validate the effectiveness of our model, we experiment with two real-world
delay datasets, including U.S and China flight delays; and we show that STPN
outperforms state-of-the-art methods. In addition, counterfactuals produced by
STPN show that it learns explainable delay propagation patterns.
- Abstract（参考訳）: 複数の空港間での遅延伝搬機構の解明は、航空産業関係者の意思決定において重要な、正確かつ解釈可能な遅延予測の基礎となる。
主な課題は、時空間依存性と遅延伝播に関連する外因性要因を効果的に活用することである。
しかし、以前の作品では限られた時空間パターンしか考慮しておらず、要因は少ない。
遅延予測のためのより包括的伝播モデリングを促進するために,時空間依存獲得に斬新な時空分離グラフ畳み込みネットワークである時空間伝播ネットワーク (stpn) を提案する。
空間的関係モデリングの観点から,近距離と航空機のスケジュールを考慮したマルチグラフ畳み込みモデルを提案する。
時間依存捕獲の側面から,遅延時系列の複数種類の時間依存を明示的に推論し,エンドツーエンドで学習できるマルチヘッド自己追尾機構を提案する。
共同空間学習モデルと時間学習モデルがクロネッカー積の和を生成し,空間的および時間的隣接行列の和に対する時空間依存性を決定づけることを示した。
これにより、STPNは遅延伝搬をモデル化するための空間的および時間的要因のクロストークを可能にする。
さらに、STPNの各層に圧縮励起モジュールを追加し、有意義な時空間特性を増強する。
そこで,本研究では,spnを空港ネットワークにおける多段階事前到着・出発遅延予測に適用する。
本モデルの有効性を検証するために,米国と中国のフライト遅延を含む2つの実世界の遅延データセットを用いて実験を行った。
さらに, STPN が生成した反ファクトは, 説明可能な遅延伝搬パターンを学習することを示す。
関連論文リスト
- Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。
既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。
本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文 参考訳（メタデータ） (2024-11-14T07:34:31Z) - Unveiling Delay Effects in Traffic Forecasting: A Perspective from
Spatial-Temporal Delay Differential Equations [20.174094418301245]
交通流予測は交通計画と管理の基本的な研究課題である。
近年,グラフニューラルネットワーク (GNN) とリカレントニューラルネットワーク (RNN) は交通流予測のための空間的時間的相関を捉えることに成功している。
1) GNNでのメッセージパッシングは即時であり、実際には近隣ノード間の空間的メッセージインタラクションは遅延する可能性がある。
論文 参考訳（メタデータ） (2024-02-02T08:55:23Z) - A Decoupled Spatio-Temporal Framework for Skeleton-based Action
Segmentation [89.86345494602642]
既存の手法は、弱い時間的モデリング能力に制限されている。
この問題に対処するために、Decoupled Scoupled Framework (DeST)を提案する。
DeSTは計算量が少なく、現在の最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2023-12-10T09:11:39Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - 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) - Spatial-Temporal Graph Convolutional Gated Recurrent Network for Traffic
Forecasting [3.9761027576939414]
時空間グラフ畳み込みGated Recurrent Network (STGCGRN) という,トラフィック予測のための新しいフレームワークを提案する。
交通データ中の周期的な情報をマイニングすることで、長期依存を捕捉するアテンションモジュールを設計する。
4つのデータセットの実験は、我々のモデルの優れた性能を示している。
論文 参考訳（メタデータ） (2022-10-06T08:02:20Z) - Spatial-Temporal Graph ODE Networks for Traffic Flow Forecasting [22.421667339552467]
時空間予測は幅広い応用において大きな注目を集めており、交通流予測は標準的で典型的な例である。
既存の研究は通常、浅いグラフ畳み込みネットワーク(GNN)と時間的抽出モジュールを使用して、それぞれ空間的および時間的依存関係をモデル化する。
テンソル型常微分方程式(ODE)を用いて時空間ダイナミクスを捉える時空間グラフ正規微分方程式ネットワーク(STGODE)を提案する。
我々は,複数の実世界の交通データセット上でモデルを評価し,最先端のベースライン上で優れた性能を実現する。
論文 参考訳（メタデータ） (2021-06-24T11:48:45Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z) - 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。