論文の概要: A Transferable Intersection Reconstruction Network for Traffic Speed
Prediction
- arxiv url: http://arxiv.org/abs/2207.11030v1
- Date: Fri, 22 Jul 2022 12:13:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-25 13:25:26.707607
- Title: A Transferable Intersection Reconstruction Network for Traffic Speed
Prediction
- Title(参考訳): 交通速度予測のためのトランスファタブル断面積再構成ネットワーク
- Authors: Pengyu Fu, Liang Chu, Zhuoran Hou, Jincheng Hu, Yanjun Huang and
Yuanjian Zhang
- Abstract要約: 本稿では,フレキシビリティの確保に基づく空間情報の導入を目的としたIRNetを提案する。
本稿では,道路網のトポロジを単純化した仮想交差点を,同じ構造の仮想交差点に再構築する。
- 参考スコア(独自算出の注目度): 1.321203201549798
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic speed prediction is the key to many valuable applications, and it is
also a challenging task because of its various influencing factors. Recent work
attempts to obtain more information through various hybrid models, thereby
improving the prediction accuracy. However, the spatial information acquisition
schemes of these methods have two-level differentiation problems. Either the
modeling is simple but contains little spatial information, or the modeling is
complete but lacks flexibility. In order to introduce more spatial information
on the basis of ensuring flexibility, this paper proposes IRNet (Transferable
Intersection Reconstruction Network). First, this paper reconstructs the
intersection into a virtual intersection with the same structure, which
simplifies the topology of the road network. Then, the spatial information is
subdivided into intersection information and sequence information of traffic
flow direction, and spatiotemporal features are obtained through various
models. Third, a self-attention mechanism is used to fuse spatiotemporal
features for prediction. In the comparison experiment with the baseline, not
only the prediction effect, but also the transfer performance has obvious
advantages.
- Abstract(参考訳): 交通速度の予測は多くの重要なアプリケーションにとって鍵であり、またその様々な影響要因のために難しい課題でもある。
近年,様々なハイブリッドモデルによる情報収集が試みられ,予測精度が向上している。
しかし,これらの手法の空間情報取得方式には2段階の微分問題がある。
モデリングは単純だが空間情報をほとんど含まないか、モデリングは完全だが柔軟性に欠ける。
本稿では,柔軟性を確保するために空間情報を導入するため,irnet(transportable intersection reconstruction network)を提案する。
まず, 道路網のトポロジーを単純化した, 同じ構造を持つ仮想交差点に交差点を再構成する。
そして、空間情報を交差点情報と交通流方向のシーケンス情報に分割し、様々なモデルを通して時空間特性を求める。
第三に、予測のために時空間的特徴を融合するために自己注意機構を用いる。
ベースラインとの比較実験では、予測効果だけでなく、転送性能にも明らかな利点がある。
関連論文リスト
- Newell's theory based feature transformations for spatio-temporal
traffic prediction [0.0]
本稿では,交通流予測のための深層学習(DL)モデルのための交通流物理に基づく変換機能を提案する。
この変換は、Newellがターゲット位置におけるトラフィックフローの非混雑フィルタを組み込んだもので、モデルがシステムのより広範なダイナミクスを学習できるようにする。
私たちのフレームワークの重要な利点は、データが利用できない新しい場所に転送できることです。
論文 参考訳(メタデータ) (2023-07-12T06:31:43Z) - 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) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - A spatial-temporal short-term traffic flow prediction model based on
dynamical-learning graph convolution mechanism [0.0]
短期的な交通流予測は知的交通システム(ITS)の重要な分岐であり、交通管理において重要な役割を果たしている。
グラフ畳み込みネットワーク(GCN)は道路網のグラフィカルな構造データを扱うために交通予測モデルで広く利用されている。
この欠点に対処するために、新しい位置グラフ畳み込みネットワーク(Location-GCN)を提案する。
論文 参考訳(メタデータ) (2022-05-10T09:19:12Z) - 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) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳(メタデータ) (2021-01-24T03:55:39Z) - 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。