論文の概要: Enhancing the Robustness via Adversarial Learning and Joint
Spatial-Temporal Embeddings in Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2208.03063v2
- Date: Fri, 11 Aug 2023 09:31:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-14 18:02:37.297845
- Title: Enhancing the Robustness via Adversarial Learning and Joint
Spatial-Temporal Embeddings in Traffic Forecasting
- Title（参考訳）: 交通予測における相反学習と時空間埋め込みによるロバスト性の向上
- Authors: Juyong Jiang, Binqing Wu, Ling Chen, Kai Zhang, Sunghun Kim
- Abstract要約: 本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。
我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。
ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
- 参考スコア（独自算出の注目度）: 11.680589359294972
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic forecasting is an essential problem in urban planning and computing.
The complex dynamic spatial-temporal dependencies among traffic objects (e.g.,
sensors and road segments) have been calling for highly flexible models;
unfortunately, sophisticated models may suffer from poor robustness especially
in capturing the trend of the time series (1st-order derivatives with time),
leading to unrealistic forecasts. To address the challenge of balancing
dynamics and robustness, we propose TrendGCN, a new scheme that extends the
flexibility of GCNs and the distribution-preserving capacity of generative and
adversarial loss for handling sequential data with inherent statistical
correlations. On the one hand, our model simultaneously incorporates spatial
(node-wise) embeddings and temporal (time-wise) embeddings to account for
heterogeneous space-and-time convolutions; on the other hand, it uses GAN
structure to systematically evaluate statistical consistencies between the real
and the predicted time series in terms of both the temporal trending and the
complex spatial-temporal dependencies. Compared with traditional approaches
that handle step-wise predictive errors independently, our approach can produce
more realistic and robust forecasts. Experiments on six benchmark traffic
forecasting datasets and theoretical analysis both demonstrate the superiority
and the state-of-the-art performance of TrendGCN. Source code is available at
https://github.com/juyongjiang/TrendGCN.
- Abstract（参考訳）: 交通予測は都市計画とコンピューティングにおいて不可欠な問題である。
交通物体(センサや道路セグメントなど)の複雑な時空間依存性は、非常に柔軟なモデルを求めているが、残念ながら、洗練されたモデルは、特に時系列の傾向(時間とともに1次微分)を捉え、非現実的な予測をもたらす。
そこで本研究では,gcnの柔軟性と,固有統計相関を用いた逐次データ処理における生成的損失と敵対的損失の分布保存能力を拡張する新しい手法であるtrendgcnを提案する。
一方,我々は空間的(ノード的)埋め込みと時間的(時間的)埋め込みを同時に組み込んで不均質な空間的・時間的畳み込みを考慮し,gan構造を用いて時間的トレンドと複雑な空間的・時間的依存性の両方の観点から実時間と予測時間との統計的構成を体系的に評価する。
ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
6つのベンチマークトラヒック予測データセットと理論的解析に関する実験は、trendgcnの優位性と最先端のパフォーマンスを示している。
ソースコードはhttps://github.com/juyongjiang/TrendGCNで入手できる。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Spatiotemporal Forecasting of Traffic Flow using Wavelet-based Temporal Attention [3.049645421090079]
本稿では,ウェーブレットに基づく動的グラフニューラルネットワーク(DS-DSNN)を交通予測問題に対処するための時間的アテンションモデルを提案する。
提案手法は動的時間的および空間的ベンチマークをよりよく処理し,信頼性の高い長期予測を行う。
論文 参考訳（メタデータ） (2024-07-05T11:42:39Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - COOL: A Conjoint Perspective on Spatio-Temporal Graph Neural Network for
Traffic Forecasting [10.392021668859272]
本稿では,先行情報と後続情報から異種グラフをモデル化し,高次時間関係を連続的に捉えるコンジョイント時空間グラフニューラルネットワーク(COOL)を提案する。
交通予知性を高めるために,マルチランクとマルチスケールの両方から多様な時間パターンをモデル化するコンジョイント・アテンション・デコーダを提案する。
論文 参考訳（メタデータ） (2024-03-02T04:30:09Z) - Hybrid Transformer and Spatial-Temporal Self-Supervised Learning for
Long-term Traffic Prediction [1.8531577178922987]
本稿では,ハイブリッドトランスフォーマーと自己教師型学習を組み合わせたモデルを提案する。
このモデルは、トラフィックのシーケンスレベルにデータ拡張技術を適用することにより、適応的なデータ拡張を強化する。
本研究では,時間的および空間的依存をモデル化する2つの自己教師型学習タスクを設計し,モデルの精度と能力を向上させる。
論文 参考訳（メタデータ） (2024-01-29T06:17:23Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳（メタデータ） (2022-02-17T02:17:31Z) - SST-GNN: Simplified Spatio-temporal Traffic forecasting model using
Graph Neural Network [2.524966118517392]
我々は,SST-GNN(SST-GNN)を簡易に設計し,異なる地区を個別に集約することで依存性を効果的に符号化した。
我々は,本モデルが3つの実環境トラフィックデータセットの最先端モデルよりも大幅に優れていることを示した。
論文 参考訳（メタデータ） (2021-03-31T18:28:44Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - 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。