Fugu-MT 論文翻訳(概要): Spatial-Temporal Feature Extraction and Evaluation Network for Citywide Traffic Condition Prediction

論文の概要: Spatial-Temporal Feature Extraction and Evaluation Network for Citywide Traffic Condition Prediction

arxiv url: http://arxiv.org/abs/2207.11034v1
Date: Fri, 22 Jul 2022 12:15:41 GMT
ステータス: 処理完了
システム内更新日: 2022-07-25 13:25:12.078362
Title: Spatial-Temporal Feature Extraction and Evaluation Network for Citywide Traffic Condition Prediction
Title（参考訳）: 都市交通状況予測のための空間的特徴抽出・評価ネットワーク
Authors: Shilin Pu, Liang Chu, Zhuoran Hou, Jincheng Hu, Yanjun Huang, Yuanjian Zhang
Abstract要約: 二重層-時空間特徴抽出・評価モデル(DL-STFEE)を提案する。 3つの実験セットが実際の交通データセット上で実施され、DL-STFEEが空間的特徴を効果的に捉えることができることを示す。
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 prediction plays an important role in the realization of traffic control and scheduling tasks in intelligent transportation systems. With the diversification of data sources, reasonably using rich traffic data to model the complex spatial-temporal dependence and nonlinear characteristics in traffic flow are the key challenge for intelligent transportation system. In addition, clearly evaluating the importance of spatial-temporal features extracted from different data becomes a challenge. A Double Layer - Spatial Temporal Feature Extraction and Evaluation (DL-STFEE) model is proposed. The lower layer of DL-STFEE is spatial-temporal feature extraction layer. The spatial and temporal features in traffic data are extracted by multi-graph graph convolution and attention mechanism, and different combinations of spatial and temporal features are generated. The upper layer of DL-STFEE is the spatial-temporal feature evaluation layer. Through the attention score matrix generated by the high-dimensional self-attention mechanism, the spatial-temporal features combinations are fused and evaluated, so as to get the impact of different combinations on prediction effect. Three sets of experiments are performed on actual traffic datasets to show that DL-STFEE can effectively capture the spatial-temporal features and evaluate the importance of different spatial-temporal feature combinations.
Abstract（参考訳）: 交通予測は、インテリジェント交通システムにおける交通制御とスケジューリングタスクの実現において重要な役割を果たす。データソースの多様化により、複雑な空間的時間的依存とトラフィックフローの非線形特性をモデル化するために、リッチなトラフィックデータを使用することが、インテリジェント交通システムにとって重要な課題である。さらに,異なるデータから抽出した時空間的特徴の重要性を明確に評価することが課題となっている。二重層-時空間特徴抽出・評価モデル(DL-STFEE)を提案する。 DL-STFEEの下層は空間時間特徴抽出層である。トラヒックデータの空間的特徴と時間的特徴を多グラフグラフ畳み込みおよび注意機構により抽出し、空間的特徴と時間的特徴の異なる組み合わせを生成する。 DL-STFEEの上層は時空間特徴評価層である。高次元自己認識機構によって生じる注目スコア行列を通じて、空間的特徴の組み合わせを融合評価し、異なる組み合わせが予測効果に与える影響を評価する。 3つの実験セットが実際の交通データセット上で行われ、DL-STFEEが空間的時間的特徴を効果的に捉え、異なる空間的時間的特徴の組み合わせの重要性を評価する。

関連論文リスト

Rethinking Spatio-Temporal Transformer for Traffic Prediction:Multi-level Multi-view Augmented Learning Framework [4.773547922851949]
トラフィックは、非常に複雑なセマンティックな相関を含む、困難な時間的予測問題である。本稿では,交通予測のためのマルチレベル多視点時間変換器(LVST)を提案する。
論文参考訳（メタデータ） (2024-06-17T07:36:57Z)
Transport-Hub-Aware Spatial-Temporal Adaptive Graph Transformer for Traffic Flow Prediction [10.722455633629883]
本稿では交通流予測のためのトランスポート・ハブ対応時空間適応型グラフ変換器を提案する。具体的には、動的空間依存を捉えるために、まず新しい空間自己認識モジュールを設計する。また、トラフィックフローデータ中の動的時間パターンを検出するために、時間的自己アテンションモジュールを用いる。
論文参考訳（メタデータ） (2023-10-12T13:44:35Z)
Multi-Scale Spatial-Temporal Recurrent Networks for Traffic Flow Prediction [13.426775574655135]
交通流予測のためのマルチスケール時空間リカレントネットワーク(MSSTRN)を提案する。本研究では,適応的な位置グラフの畳み込みを自己認識機構に統合し,空間的時間的依存関係の同時捕捉を実現する空間的時間的同期的注意機構を提案する。本モデルは,全20基準法と比較して,非自明なマージンで最高の予測精度を実現する。
論文参考訳（メタデータ） (2023-10-12T08:52:36Z)
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)
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)
Spatio-Temporal Self-Supervised Learning for Traffic Flow Prediction [36.77135502344546]
本稿では,新しいST-SSL(Spatio-Supervised Learning)トラフィック予測フレームワークを提案する。我々のST-SSLは、時空間の畳み込みによって、空間と時間にまたがる情報を符号化する統合モジュール上に構築されている。 4つのベンチマークデータセットの実験では、ST-SSLは様々な最先端のベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2022-12-07T10:02:01Z)
Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow Forecasting [6.867331860819595]
複雑な時空間相関と非線形トラフィックパターンのため、交通予測は非常に困難である。既存の研究は主に、空間的相関と時間的相関を別々に考慮して、そのような空間的・時間的依存関係をモデル化する。本稿では,局所的マルチヘッド自己アテンションを用いた空間時間グラフ上での空間空間的・時間的相関を直接モデル化する。
論文参考訳（メタデータ） (2022-07-09T19:21:00Z)
Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文参考訳（メタデータ） (2021-04-15T14:32:12Z)
DS-Net: Dynamic Spatiotemporal Network for Video Salient Object Detection [78.04869214450963]
時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
論文参考訳（メタデータ） (2020-12-09T06:42:30Z)
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。