論文の概要: Spatial-Temporal Graph Convolutional Gated Recurrent Network for Traffic
Forecasting
- arxiv url: http://arxiv.org/abs/2210.02737v1
- Date: Thu, 6 Oct 2022 08:02:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 17:10:48.146704
- Title: Spatial-Temporal Graph Convolutional Gated Recurrent Network for Traffic
Forecasting
- Title（参考訳）: 交通予知のための時空間グラフ畳み込み同期ネットワーク
- Authors: Le Zhao, Mingcai Chen, Yuntao Du, Haiyang Yang, Chongjun Wang
- Abstract要約: 時空間グラフ畳み込みGated Recurrent Network (STGCGRN) という,トラフィック予測のための新しいフレームワークを提案する。
交通データ中の周期的な情報をマイニングすることで、長期依存を捕捉するアテンションモジュールを設計する。
4つのデータセットの実験は、我々のモデルの優れた性能を示している。
- 参考スコア（独自算出の注目度）: 3.9761027576939414
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As an important part of intelligent transportation systems, traffic
forecasting has attracted tremendous attention from academia and industry.
Despite a lot of methods being proposed for traffic forecasting, it is still
difficult to model complex spatial-temporal dependency. Temporal dependency
includes short-term dependency and long-term dependency, and the latter is
often overlooked. Spatial dependency can be divided into two parts:
distance-based spatial dependency and hidden spatial dependency. To model
complex spatial-temporal dependency, we propose a novel framework for traffic
forecasting, named Spatial-Temporal Graph Convolutional Gated Recurrent Network
(STGCGRN). We design an attention module to capture long-term dependency by
mining periodic information in traffic data. We propose a Double Graph
Convolution Gated Recurrent Unit (DGCGRU) to capture spatial dependency, which
integrates graph convolutional network and GRU. The graph convolution part
models distance-based spatial dependency with the distance-based predefined
adjacency matrix and hidden spatial dependency with the self-adaptive adjacency
matrix, respectively. Specially, we employ the multi-head mechanism to capture
multiple hidden dependencies. In addition, the periodic pattern of each
prediction node may be different, which is often ignored, resulting in mutual
interference of periodic information among nodes when modeling spatial
dependency. For this, we explore the architecture of model and improve the
performance. Experiments on four datasets demonstrate the superior performance
of our model.
- Abstract（参考訳）: インテリジェント交通システムの重要な部分として、交通予測は学術や産業から大きな注目を集めている。
交通予測には多くの手法が提案されているが、複雑な時空間依存をモデル化することは依然として困難である。
一時的な依存関係には短期依存と長期依存が含まれており、後者はしばしば見過ごされる。
空間依存は、距離ベース空間依存と隠れ空間依存の2つの部分に分けられる。
複雑な時空間依存性をモデル化するために,時空間グラフ畳み込みGated Recurrent Network (STGCGRN) と呼ばれるトラフィック予測のための新しいフレームワークを提案する。
交通データ中の周期的な情報をマイニングすることで、長期依存を捕捉するアテンションモジュールを設計する。
本稿では,グラフ畳み込みネットワークとGRUを統合したDGCGRU(Double Graph Convolution Gated Recurrent Unit)を提案する。
グラフ畳み込み部は、距離ベースの予め定義された隣接行列と、自己適応的隣接行列との隠れ空間依存性をそれぞれモデル化する。
特に,複数の隠れた依存関係をキャプチャするために,マルチヘッド機構を採用している。
さらに、各予測ノードの周期パターンが異なる場合があるため、しばしば無視され、空間依存をモデル化する際にノード間の周期情報の相互干渉が発生する。
そのために、モデルのアーキテクチャを検討し、パフォーマンスを改善します。
4つのデータセットの実験は、我々のモデルの優れた性能を示している。
関連論文リスト
- DSTCGCN: Learning Dynamic Spatial-Temporal Cross Dependencies for
Traffic Forecasting [7.3669718660909735]
本研究では,動的空間依存と時間依存を協調的に学習する動的時空間グラフ畳み込みネットワークを提案する。
6つの実世界のデータセットの実験は、DSTCGCNが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2023-07-02T08:53:10Z) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-25T03:37:00Z) - 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) - 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) - 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) - 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) - Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow
Forecasting [35.072979313851235]
交通流の空間的-時間的データ予測は複雑な空間的依存性と道路間の時間的パターンの動的傾向のために難しい課題である。
既存のフレームワークは通常、与えられた空間隣接グラフと、空間的および時間的相関をモデル化する洗練されたメカニズムを利用する。
本稿では,交通流予測のための空間時間融合グラフニューラルネットワーク(STFGNN)を提案する。
論文 参考訳（メタデータ） (2020-12-15T14:03:17Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z) - 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) - 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) - 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。