論文の概要: Trajectory Flow Map: Graph-based Approach to Analysing Temporal Evolution of Aggregated Traffic Flows in Large-scale Urban Networks

• arxiv url: http://arxiv.org/abs/2212.02927v1
• Date: Tue, 6 Dec 2022 12:33:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 18:02:50.935884
• Title: Trajectory Flow Map: Graph-based Approach to Analysing Temporal Evolution of Aggregated Traffic Flows in Large-scale Urban Networks
• Title（参考訳）: トラジェクティブフローマップ:大規模都市ネットワークにおける集積交通流の時間的進化解析へのグラフベースアプローチ
• Authors: Jiwon Kim, Kai Zheng, Jonathan Corcoran, Sanghyung Ahn, and Marty Papamanolis
• Abstract要約: 本稿では,都市全体の交通動態を効果的に可視化し,キャラクタリゼーションするグラフベースのデータ表現手法を提案する。 そこで本研究では,大規模都市ネットワークにおける交通動態をよりよく理解するために,軌道に基づくネットワークトラフィック解析手法を開発した。
• 参考スコア（独自算出の注目度）: 9.211287787104048
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper proposes a graph-based approach to representing spatio-temporal trajectory data that allows an effective visualization and characterization of city-wide traffic dynamics. With the advance of sensor, mobile, and Internet of Things (IoT) technologies, vehicle and passenger trajectories are being increasingly collected on a massive scale and are becoming a critical source of insight into traffic pattern and traveller behaviour. To leverage such trajectory data to better understand traffic dynamics in a large-scale urban network, this study develops a trajectory-based network traffic analysis method that converts individual trajectory data into a sequence of graphs that evolve over time (known as dynamic graphs or time-evolving graphs) and analyses network-wide traffic patterns in terms of a compact and informative graph-representation of aggregated traffic flows. First, we partition the entire network into a set of cells based on the spatial distribution of data points in individual trajectories, where the cells represent spatial regions between which aggregated traffic flows can be measured. Next, dynamic flows of moving objects are represented as a time-evolving graph, where regions are graph vertices and flows between them are treated as weighted directed edges. Given a fixed set of vertices, edges can be inserted or removed at every time step depending on the presence of traffic flows between two regions at a given time window. Once a dynamic graph is built, we apply graph mining algorithms to detect change-points in time, which represent time points where the graph exhibits significant changes in its overall structure and, thus, correspond to change-points in city-wide mobility pattern throughout the day (e.g., global transition points between peak and off-peak periods).
• Abstract（参考訳）: 本稿では,都市全体の交通動態の可視化とキャラクタリゼーションを可能にする,時空間軌道データ表現のためのグラフベース手法を提案する。 センサー、モバイル、IoT(Internet of Things)技術の進歩により、車両や乗客の軌道は大規模に収集され、交通パターンや旅行者行動に関する重要な洞察源になりつつある。 本研究では,大規模都市ネットワークにおける交通動態をよりよく理解するために,個々のトラジェクトリデータを時間とともに進化するグラフ列(動的グラフや時間進化グラフ)に変換するトラジェクトリベースのネットワークトラフィック解析手法を開発し,集約されたトラフィックフローのコンパクトかつ情報的グラフ表現の観点からネットワーク全体のトラフィックパターンを分析する。 まず、各トラジェクタ内のデータポイントの空間分布に基づいて、ネットワーク全体をセルに分割し、セルは集約されたトラフィックフローを計測できる空間領域を表す。 次に、動く物体の動的流れを時間発展グラフとして表し、領域はグラフ頂点であり、その間の流れは重み付けされた有向エッジとして扱われる。 固定された頂点集合が与えられると、エッジは、所定の時間ウィンドウにおける2つの領域間のトラフィックフローの存在に応じて、各時間ステップで挿入または削除される。 動的グラフが構築されると、グラフマイニングアルゴリズムを用いて時間の変化点を検出する。これはグラフが全体構造に大きな変化を示す時間点を表し、そのため、一日を通して都市全体の移動パターンの変化点に対応する(ピークとオフピークの間のグローバルな遷移点など)。

関連論文リスト

• MA2GCN: Multi Adjacency relationship Attention Graph Convolutional Networks for Traffic Prediction using Trajectory data [1.147374308875151]
  本稿では,新しい交通渋滞予測モデルを提案する。マルチアジャシエンス関係アテンショングラフ畳み込みネットワーク(MA2GCN)。 車両軌跡データをグリッド形式でグラフ構造化データに変換し、異なるグリッド間の移動量に基づいて車両の進入・退避行列を提案した。 複数のベースラインと比較すると,上海タクシーのGPSトラジェクトリ・データセットで最高の性能を示した。
  論文  参考訳（メタデータ） (2024-01-16T14:22:44Z)
• Attention-based Dynamic Graph Convolutional Recurrent Neural Network for Traffic Flow Prediction in Highway Transportation [0.6650227510403052]
  高速道路交通における交通流予測を改善するために,注意に基づく動的グラフ畳み込みリカレントニューラルネットワーク(ADG-N)を提案する。 グラフ畳み込み演算のオーバーフィッティングを低減するために、高い相対ノードを強調する専用ゲートカーネルが完全なグラフ上に導入された。
  論文  参考訳（メタデータ） (2023-09-13T13:57:21Z)
• 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)
• 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)
• D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
  本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。 実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
  論文  参考訳（メタデータ） (2022-07-21T10:19:07Z)
• Spatial-Temporal Interactive Dynamic Graph Convolution Network for Traffic Forecasting [1.52292571922932]
  本稿では,トラフィック予測のためのニューラルネットワークを用いた時空間動的グラフ畳み込みネットワーク(STIDGCN)を提案する。 そこで,STIDGCNでは,まず間隔でシーケンスを分割し,同時にトラフィックデータの時空間依存性を捉えるインタラクティブな動的グラフ畳み込み構造を提案する。 4つの実世界のトラフィックフローデータセットの実験は、STIDGCNが最先端のベースラインより優れていることを示した。
  論文  参考訳（メタデータ） (2022-05-18T01:59:30Z)
• CDGNet: A Cross-Time Dynamic Graph-based Deep Learning Model for Traffic Forecasting [7.169972421976212]
  トラフィック予測のための新しいクロスタイム動的グラフベースディープラーニングモデルCDGNetを提案する。 本研究では,実世界の空間的相関をスパースする時間的動的グラフをスパースするゲーティング機構を設計する。
  論文  参考訳（メタデータ） (2021-12-06T01:56:07Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• 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)

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。