論文の概要: STGC-GNNs: A GNN-based traffic prediction framework with a
spatial-temporal Granger causality graph
- arxiv url: http://arxiv.org/abs/2210.16789v1
- Date: Sun, 30 Oct 2022 09:33:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 15:40:41.470758
- Title: STGC-GNNs: A GNN-based traffic prediction framework with a
spatial-temporal Granger causality graph
- Title（参考訳）: STGC-GNNs:空間時間グランガー因果グラフを用いたGNNに基づく交通予測フレームワーク
- Authors: Silu He, Qinyao Luo, Ronghua Du, Ling Zhao, Haifeng Li
- Abstract要約: 交通予測の鍵は、道路網を走行する交通の流れの時間的ダイナミクスを正確に表現することである。
既存の手法は局所的および静的な空間依存をモデル化し、長期予測に必要なグローバル・ダイナミックな交通情報を伝達できない。
我々は,GDTiが動的に変化する交通流の下で安定な交通流を支える伝達因果関係(TCR)としてマクロ的に振る舞うという新しい仮説を提案する。
- 参考スコア（独自算出の注目度）: 3.324220648072334
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The key to traffic prediction is to accurately depict the temporal dynamics
of traffic flow traveling in a road network, so it is important to model the
spatial dependence of the road network. The essence of spatial dependence is to
accurately describe how traffic information transmission is affected by other
nodes in the road network, and the GNN-based traffic prediction model, as a
benchmark for traffic prediction, has become the most common method for the
ability to model spatial dependence by transmitting traffic information with
the message passing mechanism. However, existing methods model a local and
static spatial dependence, which cannot transmit the global-dynamic traffic
information (GDTi) required for long-term prediction. The challenge is the
difficulty of detecting the precise transmission of GDTi due to the uncertainty
of individual transport, especially for long-term transmission. In this paper,
we propose a new hypothesis\: GDTi behaves macroscopically as a transmitting
causal relationship (TCR) underlying traffic flow, which remains stable under
dynamic changing traffic flow. We further propose spatial-temporal Granger
causality (STGC) to express TCR, which models global and dynamic spatial
dependence. To model global transmission, we model the causal order and causal
lag of TCRs global transmission by a spatial-temporal alignment algorithm. To
capture dynamic spatial dependence, we approximate the stable TCR underlying
dynamic traffic flow by a Granger causality test. The experimental results on
three backbone models show that using STGC to model the spatial dependence has
better results than the original model for 45 min and 1 h long-term prediction.
- Abstract（参考訳）: 交通予測の鍵は,道路網内を走行する交通流の時間動態を正確に表現することであり,道路網の空間依存性をモデル化することが重要である。
空間依存の本質は、道路網の他のノードによる交通情報伝達がどう影響するかを正確に記述することであり、gnnベースの交通予測モデルは、交通予測のベンチマークとして、メッセージパッシング機構を用いて交通情報を送信することで空間依存をモデル化する最も一般的な方法となっている。
しかし,既存の手法は局所的および静的な空間依存をモデル化し,長期予測に必要なグローバル・ダイナミック・トラフィック情報(GDTi)を送信できない。
課題は、特に長期的な伝送において、個々の輸送の不確実性のために、gdtiの正確な伝達を検出することの困難である。
本稿では,GDTiが動的に変化する交通流の下で安定な交通流の伝達因果関係(TCR)としてマクロ的に振る舞うという新しい仮説を提案する。
さらに,グローバルおよび動的空間依存をモデル化したTCRを表現するために,時空間グレンジャー因果関係(STGC)を提案する。
グローバルトランスミッションをモデル化するために,空間-時間アライメントアルゴリズムを用いて,tcrグローバルトランスミッションの因果順序と因果ラグをモデル化する。
動的空間依存を捉えるため,Granger因果性試験により,安定したTCRに基づく動的トラフィックフローを近似した。
3つのバックボーンモデルによる実験結果から,STGCを用いて空間依存をモデル化すると,45分と1時間で予測できるモデルよりも良好な結果が得られることがわかった。
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) - ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction [47.17205142864036]
ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。
ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
論文 参考訳（メタデータ） (2024-04-22T03:35:19Z) - 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) - A Dynamic Temporal Self-attention Graph Convolutional Network for
Traffic Prediction [7.23135508361981]
本稿では,隣接する行列をトレーニング可能なアテンションスコア行列とする時間自己アテンショングラフ畳み込みネットワーク(DT-SGN)モデルを提案する。
実世界の交通データセット上での最先端モデル駆動モデルとデータ駆動モデルよりも,本手法の方が優れていることを示す実験を行った。
論文 参考訳（メタデータ） (2023-02-21T03:51:52Z) - 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) - 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) - TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network
for Traffic Flow Forecasting [41.87633457352356]
本稿では,ネットワークのグローバル性と局所性に着目したニューラルネットワークモデルを提案する。
2つの実世界のデータセットの実験により、このモデルが交通データの空間的時間的相関を精査できることが示されている。
論文 参考訳（メタデータ） (2020-11-30T09:21:43Z) - 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) - 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。