論文の概要: Combined Dynamic Virtual Spatiotemporal Graph Mapping for Traffic
Prediction
- arxiv url: http://arxiv.org/abs/2210.00704v1
- Date: Mon, 3 Oct 2022 04:11:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 13:47:35.684829
- Title: Combined Dynamic Virtual Spatiotemporal Graph Mapping for Traffic
Prediction
- Title（参考訳）: 交通予測のための動的仮想時空間グラフマッピング
- Authors: Yingming Pu
- Abstract要約: 既存のディープラーニング手法は、複雑なグラフに適合するのに強力です。
CDVは、高速収束速度と低リソース消費の優れた性能を有する。
現在のSOTA効果は、精度と一般化の両方の観点から達成している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The continuous expansion of the urban construction scale has recently
contributed to the demand for the dynamics of traffic intersections that are
managed, making adaptive modellings become a hot topic. Existing deep learning
methods are powerful to fit complex heterogeneous graphs. However, they still
have drawbacks, which can be roughly classified into two categories, 1)
spatiotemporal async-modelling approaches separately consider temporal and
spatial dependencies, resulting in weak generalization and large instability
while aggregating; 2) spatiotemporal sync-modelling is hard to capture
long-term temporal dependencies because of the local receptive field. In order
to overcome above challenges, a \textbf{C}ombined \textbf{D}ynamic
\textbf{V}irtual spatiotemporal \textbf{G}raph \textbf{M}apping
\textbf{(CDVGM)} is proposed in this work. The contributions are the following:
1) a dynamic virtual graph Laplacian ($DVGL$) is designed, which considers both
the spatial signal passing and the temporal features simultaneously; 2) the
Long-term Temporal Strengthen model ($LT^2S$) for improving the stability of
time series forecasting; Extensive experiments demonstrate that CDVGM has
excellent performances of fast convergence speed and low resource consumption
and achieves the current SOTA effect in terms of both accuracy and
generalization. The code is available at
\hyperlink{https://github.com/Dandelionym/CDVGM.}{https://github.com/Dandelionym/CDVGM.}
- Abstract（参考訳）: 都市建設スケールの継続的な拡張は、最近、管理される交通交差点のダイナミクスの需要に寄与し、適応モデリングがホットな話題となっている。
既存のディープラーニング手法は、複雑な異種グラフに適合する。
しかし、それらには欠点があり、大まかに2つのカテゴリーに分類できる。
1)時空的非同期モデリングアプローチは,時間的及び空間的依存性を別々に考慮し,集約中に弱い一般化と大きな不安定性をもたらす。
2) 局所受容場のため, 時空間同期モデリングは長期の時間依存性を捉えることが困難である。
上記の課題を克服するために、この研究において \textbf{C}ombined \textbf{D}ynamic \textbf{V}irtual spatiotemporal \textbf{G}raph \textbf{M}apping \textbf{(CDVGM)} を提案する。
貢献は以下のとおりである。
1) 空間信号の通過と時間的特徴を同時に考慮した動的仮想グラフラプラシアン(dvgl$)が設計される。
2) 時系列予測の安定性を向上させるための長期時間強化モデル(lt^2s$)は,cdvgmが高速収束速度と低資源消費の優れた性能を有し,精度と一般化の両面で現在のsota効果を実現することを示す。
コードは \hyperlink{https://github.com/dandelionym/cdvgmで入手できる。
https://github.com/Dandelionym/CDVGM
}
関連論文リスト
- 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) - Mending of Spatio-Temporal Dependencies in Block Adjacency Matrix [3.529869282529924]
本稿では,時間的依存を考慮に入れた新たなエンドツーエンド学習アーキテクチャを提案する。
提案手法は,SurgVisDomやC2D2などのベンチマークデータセット上での優れた性能を示す。
論文 参考訳（メタデータ） (2023-10-04T06:42:33Z) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-15T08:17:18Z) - HGWaveNet: A Hyperbolic Graph Neural Network for Temporal Link
Prediction [9.110162634132827]
本稿では,時間的リンク予測のために,双曲空間とデータ分布間の適合性をフル活用した新しい双曲グラフニューラルネットワークHGWaveNetを提案する。
具体的には,空間的位相構造と時間的進化情報を別々に学習するための2つの重要なモジュールを設計する。
その結果,SOTA法による時間リンク予測では,AUCが6.67%向上した。
論文 参考訳（メタデータ） (2023-04-14T07:07:00Z) - Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic
Prediction [1.6449390849183363]
本稿では,トラフィック予測のための自動拡張時間同期グラフネットワーク予測であるAuto-DSTSを提案する。
具体的には,短期および長期の相関関係を捉えるための自動拡張時間時間グラフ (Auto-DSTS) モジュールを提案する。
我々のモデルは最先端の手法と比較して約10%改善できる。
論文 参考訳（メタデータ） (2022-07-22T00:50:39Z) - Continuous-Time and Multi-Level Graph Representation Learning for
Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。
状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。
北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文 参考訳（メタデータ） (2022-06-30T03:37:50Z) - Averaging Spatio-temporal Signals using Optimal Transport and Soft
Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。
手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文 参考訳（メタデータ） (2022-03-11T09:46:22Z) - 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) - Discrete-time Temporal Network Embedding via Implicit Hierarchical
Learning in Hyperbolic Space [43.280123606888395]
双曲幾何学の指数的能力と階層的認識を生かした双曲時間グラフネットワーク(HTGN)を提案する。
HTGNは、時間グラフを双曲空間にマッピングし、双曲グラフニューラルネットワークと双曲ゲートリカレントニューラルネットワークを組み込む。
複数の実世界のデータセットに対する実験結果は、時間グラフ埋め込みにおけるHTGNの優位性を示している。
論文 参考訳（メタデータ） (2021-07-08T11:24:59Z) - Spatial-Temporal Graph ODE Networks for Traffic Flow Forecasting [22.421667339552467]
時空間予測は幅広い応用において大きな注目を集めており、交通流予測は標準的で典型的な例である。
既存の研究は通常、浅いグラフ畳み込みネットワーク(GNN)と時間的抽出モジュールを使用して、それぞれ空間的および時間的依存関係をモデル化する。
テンソル型常微分方程式(ODE)を用いて時空間ダイナミクスを捉える時空間グラフ正規微分方程式ネットワーク(STGODE)を提案する。
我々は,複数の実世界の交通データセット上でモデルを評価し,最先端のベースライン上で優れた性能を実現する。
論文 参考訳（メタデータ） (2021-06-24T11:48:45Z) - Disentangling and Unifying Graph Convolutions for Skeleton-Based Action
Recognition [79.33539539956186]
本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。
これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-03-31T11:28:25Z)
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。