Fugu-MT 論文翻訳(概要): Efficient Traffic State Forecasting using Spatio-Temporal Network Dependencies: A Sparse Graph Neural Network Approach

論文の概要: Efficient Traffic State Forecasting using Spatio-Temporal Network Dependencies: A Sparse Graph Neural Network Approach

arxiv url: http://arxiv.org/abs/2211.03033v1
Date: Sun, 6 Nov 2022 05:41:39 GMT
ステータス: 処理完了
システム内更新日: 2022-11-08 17:55:54.274432
Title: Efficient Traffic State Forecasting using Spatio-Temporal Network Dependencies: A Sparse Graph Neural Network Approach
Title（参考訳）: 時空間的ネットワーク依存を用いた効率的なトラヒック状態予測:スパースグラフニューラルネットワークアプローチ
Authors: Bin Lei, Shaoyi Huang, Caiwen Ding, Monika Filipovska
Abstract要約: 交通ネットワークにおける交通予測は、効果的な交通運営と管理にとって最重要事項である。現在の研究では、長期的な交通予測(30分以上)は依然として難しい。予測精度を保ちながら、トレーニングコストに対するスパーストレーニングを提案する。
参考スコア（独自算出の注目度）: 6.203371866342754
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Traffic state prediction in a transportation network is paramount for effective traffic operations and management, as well as informed user and system-level decision-making. However, long-term traffic prediction (beyond 30 minutes into the future) remains challenging in current research. In this work, we integrate the spatio-temporal dependencies in the transportation network from network modeling, together with the graph convolutional network (GCN) and graph attention network (GAT). To further tackle the dramatic computation and memory cost caused by the giant model size (i.e., number of weights) caused by multiple cascaded layers, we propose sparse training to mitigate the training cost, while preserving the prediction accuracy. It is a process of training using a fixed number of nonzero weights in each layer in each iteration. We consider the problem of long-term traffic speed forecasting for a real large-scale transportation network data from the California Department of Transportation (Caltrans) Performance Measurement System (PeMS). Experimental results show that the proposed GCN-STGT and GAT-STGT models achieve low prediction errors on short-, mid- and long-term prediction horizons, of 15, 30 and 45 minutes in duration, respectively. Using our sparse training, we could train from scratch with high sparsity (e.g., up to 90%), equivalent to 10 times floating point operations per second (FLOPs) reduction on computational cost using the same epochs as dense training, and arrive at a model with very small accuracy loss compared with the original dense training
Abstract（参考訳）: 交通ネットワークにおける交通状況の予測は、効果的な交通業務や管理、情報提供者やシステムレベルの意思決定において最重要となる。しかし、現在の研究では、長期的な交通予測(30分以内)が難しいままである。本研究では,ネットワークモデリングとグラフ畳み込みネットワーク (gcn) とグラフアテンションネットワーク (gat) の融合により,輸送ネットワークの時空間依存性を統合する。さらに,複数のカスケード層による巨大モデルサイズ(すなわち重み数)に起因する劇的な計算とメモリコストにさらに取り組むため,予測精度を保ちながら,トレーニングコストを軽減するためのスパーストレーニングを提案する。イテレーション毎に各レイヤに一定数の非ゼロウェイトを使用してトレーニングするプロセスである。本稿では,カリフォルニア交通省 (Caltrans) Performance Measurement System (PeMS) の大規模交通ネットワークデータに対する長期交通速度予測の問題点について考察する。実験の結果,提案するgcn-stgtモデルとgat-stgtモデルはそれぞれ15分,30分,45分周期の短期,中,長期の予測地平線で低い予測誤差を達成した。スパーストレーニングを用いて、スクラッチから高間隔(例えば、最大90%)でトレーニングし、高密度トレーニングと同じエポックを用いて計算コストを10倍の浮動小数点演算(FLOP)に削減し、元の高密度トレーニングと比較して非常に少ない精度でモデルに到達することができる。

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)
DST-TransitNet: A Dynamic Spatio-Temporal Deep Learning Model for Scalable and Efficient Network-Wide Prediction of Station-Level Transit Ridership [12.6020349733674]
本稿では,システムワイドライダーシップ予測のためのハイブリッドディープラーニングモデルであるDST-TransitNetを紹介する。ボゴタのBRTシステムデータでテストされており、3つの異なる社会的シナリオがある。最先端のモデルを精度、効率、堅牢性で上回る。
論文参考訳（メタデータ） (2024-10-19T06:59:39Z)
Knowledge Distillation on Spatial-Temporal Graph Convolutional Network for Traffic Prediction [3.0450307343472405]
複雑なネットワーク(教師)からの蒸留データを用いて、より少ないパラメータ(学生)でネットワークを訓練するコスト関数を導入する。我々は,教師ネットワークから空間時間相関を取り入れた知識蒸留を用いて,教師が知覚する複雑なパターンを学習できるようにする。本手法は,ネットワークパラメータのわずか3%を保持しても,教師の精度に近い精度を維持することができる。
論文参考訳（メタデータ） (2024-01-22T09:54:49Z)
Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文参考訳（メタデータ） (2023-06-14T01:24:42Z)
Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文参考訳（メタデータ） (2022-10-21T07:25:57Z)
Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases [7.173242326298134]
多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
論文参考訳（メタデータ） (2022-03-08T09:46:50Z)
STG-GAN: A spatiotemporal graph generative adversarial networks for short-term passenger flow prediction in urban rail transit systems [11.167132464665578]
短期の旅客フロー予測は、都市交通システムを管理する上で重要であるが、難しい課題である。本稿では,予測精度が高く,高い効率,メモリ占有率の低い,ディープラーニングに基づく時間グラフ生成対向ネットワーク(STG-GAN)モデルを提案する。本研究は、特に現実の応用の観点から、短期の乗客フロー予測を行う上で、批判的な経験を提供することができる。
論文参考訳（メタデータ） (2022-02-10T13:18:11Z)
Network-wide Multi-step Traffic Volume Prediction using Graph Convolutional Gated Recurrent Neural Network [16.56822335262946]
本稿では,新しいディープラーニングモデルであるGCGRNN(Graph Convolutional Gated Recurrent Neural Network)を提案する。我々は,カリフォルニア州ロサンゼルスの150個のセンサーから抽出した2つのトラフィックデータセットを,それぞれ1時間15分で評価した。
論文参考訳（メタデータ） (2021-11-22T16:41:13Z)
A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。 DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
論文参考訳（メタデータ） (2021-06-08T16:27:04Z)
Predicting Training Time Without Training [120.92623395389255]
我々は、事前訓練された深層ネットワークが損失関数の所定の値に収束する必要がある最適化ステップの数を予測する問題に取り組む。我々は、微調整中の深部ネットワークのトレーニングダイナミクスが線形化モデルによってよく近似されているという事実を活用する。トレーニングをする必要なく、特定の損失にモデルを微調整するのに要する時間を予測できます。
論文参考訳（メタデータ） (2020-08-28T04:29:54Z)
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)

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。