論文の概要: ST-former for short-term passenger flow prediction during COVID-19 in
urban rail transit system
- arxiv url: http://arxiv.org/abs/2210.09043v2
- Date: Wed, 16 Aug 2023 04:01:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 17:52:19.708783
- Title: ST-former for short-term passenger flow prediction during COVID-19 in
urban rail transit system
- Title(参考訳): 都市鉄道交通システムにおけるcovid-19の短期旅客流量予測のためのst-former
- Authors: Shuxin Zhang and Jinlei Zhang and Lixing Yang and Chengcheng Wang and
Ziyou Gao
- Abstract要約: 乗客の流動の複雑な依存関係を動的にモデル化する方法は、感染発生時に正確な乗客の流動予測を行う上で、主要な課題である。
本稿では、COVID-19に特化したエンコーダデコーダフレームワーク下で、STformerと呼ばれるトランスフォーマーベースのアーキテクチャを提案する。
実世界の乗客フローデータセットの実験は、STフォーマーが他の11の最先端手法よりも優れていることを示した。
- 参考スコア(独自算出の注目度): 8.506559986635057
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate passenger flow prediction of urban rail transit is essential for
improving the performance of intelligent transportation systems, especially
during the epidemic. How to dynamically model the complex spatiotemporal
dependencies of passenger flow is the main issue in achieving accurate
passenger flow prediction during the epidemic. To solve this issue, this paper
proposes a brand-new transformer-based architecture called STformer under the
encoder-decoder framework specifically for COVID-19. Concretely, we develop a
modified self-attention mechanism named Causal-Convolution ProbSparse
Self-Attention (CPSA) to model the multiple temporal dependencies of passenger
flow with low computational costs. To capture the complex and dynamic spatial
dependencies, we introduce a novel Adaptive Multi-Graph Convolution Network
(AMGCN) by leveraging multiple graphs in a self-adaptive manner. Additionally,
the Multi-source Data Fusion block fuses the passenger flow data, COVID-19
confirmed case data, and the relevant social media data to study the impact of
COVID-19 to passenger flow. Experiments on real-world passenger flow datasets
demonstrate the superiority of ST-former over the other eleven state-of-the-art
methods. Several ablation studies are carried out to verify the effectiveness
and reliability of our model structure. Results can provide critical insights
for the operation of URT systems.
- Abstract(参考訳): 都市鉄道交通の正確な旅客流量予測は,特に流行時のインテリジェント交通システムの性能向上に不可欠である。
旅客流の複雑な時空間依存性を動的にモデル化する方法は, 流行時の正確な旅客流予測を達成する上で重要な課題である。
そこで本稿では,covid-19に特化したエンコーダ・デコーダ・フレームワークを用いて,新しいトランスフォーマアーキテクチャであるstformerを提案する。
具体的には,計算コストの低い乗客フローの複数時間依存性をモデル化するために,Causal-Convolution ProbSparse Self-Attention (CPSA) と呼ばれる修正自己注意機構を開発した。
複雑で動的な空間依存を捉えるために,複数のグラフを自己適応的に活用し,新しい適応多グラフ畳み込みネットワーク(AMGCN)を導入する。
さらに、Multi-source Data Fusionブロックは、乗客フローデータ、COVID-19確認ケースデータ、関連するソーシャルメディアデータを融合して、乗客フローへの影響を研究する。
実世界の乗客フローデータセットの実験は、STフォーマーが他の11の最先端手法よりも優れていることを示した。
モデル構造の有効性と信頼性を検証するため,いくつかのアブレーション実験を行った。
URTシステムの運用に関して重要な洞察を与えることができる。
関連論文リスト
- Pedestrian Volume Prediction Using a Diffusion Convolutional Gated Recurrent Unit Model [4.050741108304134]
本研究では,Deffusion Convolutional Grated Recurrent Unit(DCGRU)の拡張として,Deffusion Convolutional Grated Recurrent Unit(DCGRU)の拡張モデルを提案する。
提案手法は,従来のベクトル自己回帰モデルと元のDCGRUとを,複数のモデル精度指標で比較した。
論文 参考訳(メタデータ) (2024-11-05T02:40:43Z) - 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) - Urban Traffic Forecasting with Integrated Travel Time and Data Availability in a Conformal Graph Neural Network Framework [0.6554326244334868]
最先端のモデルは、可能な限り最良の方法でデータを考えるのに苦労することが多い。
本稿では,駅間の移動時間をグラフニューラルネットワークアーキテクチャの重み付き隣接行列に組み込む新しい枠組みを提案する。
論文 参考訳(メタデータ) (2024-07-17T01:11:07Z) - Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction [24.26429523848735]
急速な都市化は交通渋滞を著しくエスカレートさせ、高度な渋滞予測サービスの必要性を浮き彫りにした。
本稿では,CP-MoE(Congestion Prediction Mixture-of-Experts)を提案する。
CP-MoEは、旅行時間推定システムの精度と信頼性を向上させるため、DiDiに展開されている。
論文 参考訳(メタデータ) (2024-06-14T12:57:17Z) - MFTraj: Map-Free, Behavior-Driven Trajectory Prediction for Autonomous Driving [15.965681867350215]
本稿では,自律走行に適した軌道予測モデルを提案する。
歴史的軌跡データと新しい幾何学的動的グラフに基づく行動認識モジュールを組み合わせる。
計算効率とパラメータオーバーヘッドの低減を実現している。
論文 参考訳(メタデータ) (2024-05-02T13:13:52Z) - 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) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - Spatial-Temporal Attention Fusion Network for short-term passenger flow
prediction on holidays in urban rail transit systems [9.725264855780482]
都市鉄道交通システムの短期的旅客フロー予測は、交通の運用と管理において非常に重要である。
既存のモデルのほとんどは、通常平日や週末に乗客の流れを予測するものである。
ホリデーシーズンの短期的乗客フロー予測のために,時空間注意融合ネットワークという深層学習モデルを提案する。
論文 参考訳(メタデータ) (2022-02-27T01:06:24Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳(メタデータ) (2021-01-24T03:55:39Z) - Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。
我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。
本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文 参考訳(メタデータ) (2020-07-10T16:00:44Z) - 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。