論文の概要: Simpler is better: Multilevel Abstraction with Graph Convolutional
Recurrent Neural Network Cells for Traffic Prediction
- arxiv url: http://arxiv.org/abs/2209.03858v1
- Date: Thu, 8 Sep 2022 14:56:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-09 12:43:44.728190
- Title: Simpler is better: Multilevel Abstraction with Graph Convolutional
Recurrent Neural Network Cells for Traffic Prediction
- Title（参考訳）: トラフィック予測のためのグラフ畳み込みリカレントニューラルネットワークセルを用いたマルチレベル抽象化
- Authors: Naghmeh Shafiee Roudbari, Zachary Patterson, Ursula Eicker,
Charalambos Poullis
- Abstract要約: グラフニューラルネットワーク(GNN)のための新しいシーケンス・ツー・シーケンスアーキテクチャを提案する。
また、カナダのモントリオールで、ストリートレベルのセグメントデータのベンチマークデータセットを新たに発表した。
本モデルでは,ベースライン法と比較して1時間予測で7%以上性能が向上する。
- 参考スコア（独自算出の注目度）: 6.968068088508505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, graph neural networks (GNNs) combined with variants of
recurrent neural networks (RNNs) have reached state-of-the-art performance in
spatiotemporal forecasting tasks. This is particularly the case for traffic
forecasting, where GNN models use the graph structure of road networks to
account for spatial correlation between links and nodes. Recent solutions are
either based on complex graph operations or avoiding predefined graphs. This
paper proposes a new sequence-to-sequence architecture to extract the
spatiotemporal correlation at multiple levels of abstraction using GNN-RNN
cells with sparse architecture to decrease training time compared to more
complex designs. Encoding the same input sequence through multiple encoders,
with an incremental increase in encoder layers, enables the network to learn
general and detailed information through multilevel abstraction. We further
present a new benchmark dataset of street-level segment traffic data from
Montreal, Canada. Unlike highways, urban road segments are cyclic and
characterized by complicated spatial dependencies. Experimental results on the
METR-LA benchmark highway and our MSLTD street-level segment datasets
demonstrate that our model improves performance by more than 7% for one-hour
prediction compared to the baseline methods while reducing computing resource
requirements by more than half compared to other competing methods.
- Abstract（参考訳）: 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)の変種を組み合わせることで、時空間予測タスクにおける最先端のパフォーマンスが向上している。
これは特に交通予測において、GNNモデルは道路網のグラフ構造を用いてリンクとノード間の空間的相関を考慮している。
最近のソリューションは、複雑なグラフ操作に基づくか、事前に定義されたグラフを避けるかのいずれかである。
本稿では,GNN-RNNセルとスパースアーキテクチャを用いて,複数の抽象化レベルの時空間相関を抽出し,より複雑な設計に比べてトレーニング時間を短縮する。
同一の入力シーケンスを複数のエンコーダでエンコードし、エンコーダ層が漸進的に増加することにより、ネットワークはマルチレベル抽象化を通じて一般的な詳細情報を学習することができる。
さらに,カナダ・モントリオールの街路レベルのトラフィックデータのベンチマークデータセットを提案する。
高速道路とは異なり、都市道路のセグメントは周期的であり、複雑な空間依存によって特徴づけられる。
METR-LAベンチマークハイウェイとMSLTDストリートレベルセグメントデータセットによる実験結果から,本モデルでは,ベースライン手法と比較して1時間予測で7%以上性能が向上し,計算資源の要求を他の競合手法に比べて半分以上削減した。
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) - 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) - Graph-based Multi-ODE Neural Networks for Spatio-Temporal Traffic
Forecasting [8.832864937330722]
長距離交通予測は、交通ネットワークで観測される複雑な時間的相関のため、依然として困難な課題である。
本稿では,GRAM-ODE(Graph-based Multi-ODE Neural Networks)と呼ばれるアーキテクチャを提案する。
実世界の6つのデータセットを用いて行った大規模な実験は、最先端のベースラインと比較して、GRAM-ODEの優れた性能を示す。
論文 参考訳（メタデータ） (2023-05-30T02:10:42Z) - Residual Graph Convolutional Recurrent Networks For Multi-step Traffic
Flow Forecasting [12.223433627287605]
我々は、Residual Graph Convolutional Recurrent Network(RGCRN)という新しい時空間予測モデルを提案する。
このモデルでは,提案したResidual Graph Convolutional Network (ResGCN) を用いて,道路網の微細な空間相関を捉える。
2つの実際のデータセットの比較実験の結果、RCCRNは最高のベースラインモデルと比較して平均20.66%改善していることがわかった。
論文 参考訳（メタデータ） (2022-05-03T13:23:38Z) - LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。
LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
論文 参考訳（メタデータ） (2022-03-24T03:31:18Z) - Dynamic Graph Convolutional Recurrent Network for Traffic Prediction:
Benchmark and Solution [18.309299822858243]
DGCRN(Dynamic Graph Contemporal Recurrent Network)と呼ばれる新しい交通予測フレームワークを提案する。
DGCRNでは、ハイパーネットワークはノード属性から動的特性を活用して抽出するように設計されている。
我々は、各時間ステップで動的グラフの細かい反復をモデル化する生成法を最初に採用した。
論文 参考訳（メタデータ） (2021-04-30T11:25:43Z) - 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) - Scalable Learning With a Structural Recurrent Neural Network for
Short-Term Traffic Prediction [12.550067622364162]
本稿では,道路網における交通履歴データに基づく短期交通予測のためのスケーラブルな深層学習手法を提案する。
道路ネットワークのデータで訓練されたSRNNモデルは、訓練するパラメータの固定数で、異なる道路ネットワークのトラフィック速度を予測することができます。
論文 参考訳（メタデータ） (2021-03-03T18:21:49Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2020-10-06T01:20:27Z) - 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) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z)
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。