Fugu-MT 論文翻訳(概要): Towards Spatio-Temporal Cross-Platform Graph Embedding Fusion for Urban Traffic Flow Prediction

論文の概要: Towards Spatio-Temporal Cross-Platform Graph Embedding Fusion for Urban Traffic Flow Prediction

arxiv url: http://arxiv.org/abs/2208.06947v1
Date: Mon, 15 Aug 2022 00:10:49 GMT
ステータス: 処理完了
システム内更新日: 2022-08-16 14:20:38.749791
Title: Towards Spatio-Temporal Cross-Platform Graph Embedding Fusion for Urban Traffic Flow Prediction
Title（参考訳）: 都市交通流予測のための時空間横断グラフ埋め込み融合に向けて
Authors: Mahan Tabatabaie, James Maniscalco, Connor Lynch, Suining He
Abstract要約: 我々は,都市交通流予測のための新しい時空間グラフ埋め込み融合手法であるSTC-GEFを提案する。我々は,グラフ畳み込みネットワーク(GCN)に基づく空間埋め込みモジュールを設計し,交通フローデータ中の複雑な空間的特徴を抽出した。様々な時間間隔からトラフィックフローデータ間の時間的依存関係をキャプチャするために、繰り返しニューラルネットワークに基づく時間的埋め込みモジュールを設計した。
参考スコア（独自算出の注目度）: 2.3513645401551333
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we have proposed STC-GEF, a novel Spatio-Temporal Cross-platform Graph Embedding Fusion approach for the urban traffic flow prediction. We have designed a spatial embedding module based on graph convolutional networks (GCN) to extract the complex spatial features within traffic flow data. Furthermore, to capture the temporal dependencies between the traffic flow data from various time intervals, we have designed a temporal embedding module based on recurrent neural networks. Based on the observations that different transportation platforms trip data (e.g., taxis, Uber, and Lyft) can be correlated, we have designed an effective fusion mechanism that combines the trip data from different transportation platforms and further uses them for cross-platform traffic flow prediction (e.g., integrating taxis and ride-sharing platforms for taxi traffic flow prediction). We have conducted extensive real-world experimental studies based on real-world trip data of yellow taxis and ride-sharing (Lyft) from the New York City (NYC), and validated the accuracy and effectiveness of STC-GEF in fusing different transportation platform data and predicting traffic flows.
Abstract（参考訳）: 本稿では,都市交通流予測のための新たな時空間グラフ埋め込み融合手法であるstc-gefを提案する。我々は,グラフ畳み込みネットワーク(GCN)に基づく空間埋め込みモジュールを設計し,交通フローデータ中の複雑な空間的特徴を抽出した。さらに,トラヒックフローデータ間の時間的依存性を様々な時間間隔から捉えるために,リカレントニューラルネットワークに基づく時間的埋め込みモジュールを設計した。異なる交通プラットフォームであるトリップデータ(タクシー、uber、lyftなど)が相互に関連付けられるという観測に基づいて、異なる輸送プラットフォームからのトリップデータを結合し、さらにプラットフォーム間の交通フロー予測(例えば、タクシーとライドシェアリングプラットフォームの統合によるタクシー交通フロー予測)に利用する効果的な融合メカニズムを設計した。我々は,ニューヨーク市(nyc)のyellow taxis and ride-sharing(lyft)の実世界の移動データに基づいて,実世界実験を行い,異なる移動プラットフォームデータを用いて交通の流れを予測し,stc-gefの精度と有効性を検証する。

関連論文リスト

Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文参考訳（メタデータ） (2024-11-01T00:37:00Z)
Traffic Prediction considering Multiple Levels of Spatial-temporal Information: A Multi-scale Graph Wavelet-based Approach [3.343804744266258]
本研究では,複雑な交通ネットワークにおける交通状態を予測するためのグラフウェーブレット時間畳み込みネットワーク(MSGWTCN)を提案する。シアトルのハイウェイネットワークやニューヨーク市マンハッタンの高密度道路ネットワークなど、モデルのパフォーマンスを調べるために、2つの実世界のデータセットが使用されている。
論文参考訳（メタデータ） (2024-06-18T20:05:47Z)
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)
MA2GCN: Multi Adjacency relationship Attention Graph Convolutional Networks for Traffic Prediction using Trajectory data [1.147374308875151]
本稿では,新しい交通渋滞予測モデルを提案する。マルチアジャシエンス関係アテンショングラフ畳み込みネットワーク(MA2GCN)。車両軌跡データをグリッド形式でグラフ構造化データに変換し、異なるグリッド間の移動量に基づいて車両の進入・退避行列を提案した。複数のベースラインと比較すると,上海タクシーのGPSトラジェクトリ・データセットで最高の性能を示した。
論文参考訳（メタデータ） (2024-01-16T14:22:44Z)
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)
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)
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)
Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文参考訳（メタデータ） (2020-07-23T14:31:25Z)
Spatio-Temporal Point Processes with Attention for Traffic Congestion Event Modeling [28.994426283738363]
本稿では,道路ネットワーク上での交通渋滞イベントをモデル化するための新しいフレームワークを提案する。交通センサからのカウントデータと交通事故を報告した警察の報告を組み合わせることで、マルチモーダルデータを用いて、渋滞イベントに対する2種類のトリガー効果を捉えることを目指す。ある場所での現在の交通渋滞は、将来の道路網の混雑を引き起こす可能性があり、交通事故は広範な交通渋滞を引き起こす可能性がある。
論文参考訳（メタデータ） (2020-05-15T04:22:18Z)
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)
Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction [116.66657468425645]
本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
論文参考訳（メタデータ） (2020-01-14T16:47:54Z)

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。