論文の概要: Spatio-Temporal Self-Supervised Learning for Traffic Flow Prediction
- arxiv url: http://arxiv.org/abs/2212.04475v1
- Date: Wed, 7 Dec 2022 10:02:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 14:58:14.760694
- Title: Spatio-Temporal Self-Supervised Learning for Traffic Flow Prediction
- Title（参考訳）: 交通流予測のための時空間自己監督学習
- Authors: Jiahao Ji, Jingyuan Wang, Chao Huang, Junjie Wu, Boren Xu, Zhenhe Wu,
Junbo Zhang, Yu Zheng
- Abstract要約: 本稿では,新しいST-SSL(Spatio-Supervised Learning)トラフィック予測フレームワークを提案する。
我々のST-SSLは、時空間の畳み込みによって、空間と時間にまたがる情報を符号化する統合モジュール上に構築されている。
4つのベンチマークデータセットの実験では、ST-SSLは様々な最先端のベースラインを一貫して上回っている。
- 参考スコア（独自算出の注目度）: 26.663238730755445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robust prediction of citywide traffic flows at different time periods plays a
crucial role in intelligent transportation systems. While previous work has
made great efforts to model spatio-temporal correlations, existing methods
still suffer from two key limitations: i) Most models collectively predict all
regions' flows without accounting for spatial heterogeneity, i.e., different
regions may have skewed traffic flow distributions. ii) These models fail to
capture the temporal heterogeneity induced by time-varying traffic patterns, as
they typically model temporal correlations with a shared parameterized space
for all time periods. To tackle these challenges, we propose a novel
Spatio-Temporal Self-Supervised Learning (ST-SSL) traffic prediction framework
which enhances the traffic pattern representations to be reflective of both
spatial and temporal heterogeneity, with auxiliary self-supervised learning
paradigms. Specifically, our ST-SSL is built over an integrated module with
temporal and spatial convolutions for encoding the information across space and
time. To achieve the adaptive spatio-temporal self-supervised learning, our
ST-SSL first performs the adaptive augmentation over the traffic flow graph
data at both attribute- and structure-levels. On top of the augmented traffic
graph, two SSL auxiliary tasks are constructed to supplement the main traffic
prediction task with spatial and temporal heterogeneity-aware augmentation.
Experiments on four benchmark datasets demonstrate that ST-SSL consistently
outperforms various state-of-the-art baselines. Since spatio-temporal
heterogeneity widely exists in practical datasets, the proposed framework may
also cast light on other spatial-temporal applications. Model implementation is
available at https://github.com/Echo-Ji/ST-SSL.
- Abstract（参考訳）: 異なる時期における都市全体の交通流のロバストな予測は、インテリジェント交通システムにおいて重要な役割を果たす。
従来の研究は時空間相関のモデル化に多大な努力を払ってきたが、既存の手法には以下の2つの重要な制限がある。
一 殆どのモデルは、空間的不均一性を考慮せずに、一括して全ての領域の流れを予測する。
二 このモデルでは、時間変化のパターンによって引き起こされる時間的不均一性を捉えることができず、典型的には時間的相関を全時間にわたって共有パラメータ化空間でモデル化する。
これらの課題に対処するために,空間的・時間的不均一性を反映した交通パターン表現を補助的な自己教師型学習パラダイムで拡張する,新しい時空間自己監視学習(ST-SSL)トラフィック予測フレームワークを提案する。
具体的には、ST-SSLは時間的・空間的な畳み込みを備えた統合モジュール上に構築され、空間的・時間的に情報を符号化する。
適応時空間自己教師付き学習を実現するために,st-sslは属性レベルと構造レベルでのトラヒックフローグラフデータに対する適応強化を行う。
拡張トラフィックグラフ上に2つのSSL補助タスクを構築し,空間的および時間的不均一性を考慮した拡張によるトラフィック予測タスクを補完する。
4つのベンチマークデータセットの実験では、ST-SSLは様々な最先端のベースラインを一貫して上回っている。
時空間の不均一性は実用的なデータセットに広く存在するため、提案手法は他の時空間応用にも光を当てることができる。
モデル実装はhttps://github.com/Echo-Ji/ST-SSLで公開されている。
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) - Navigating Spatio-Temporal Heterogeneity: A Graph Transformer Approach for Traffic Forecasting [13.309018047313801]
交通予測はスマートシティの発展において重要な研究分野として浮上している。
最短時間相関のためのネットワークモデリングの最近の進歩は、パフォーマンスのリターンが低下し始めている。
これらの課題に対処するために、時空間グラフ変換器(STGormer)を導入する。
本研究では,その構造に基づく空間符号化手法を2つ設計し,時間位置をバニラ変圧器に統合して時間的トラフィックパターンをキャプチャする。
論文 参考訳（メタデータ） (2024-08-20T13:18:21Z) - Spatial-Temporal Large Language Model for Traffic Prediction [21.69991612610926]
交通予測のための時空間大言語モデル(ST-LLM)を提案する。
ST-LLMでは,各位置の時間ステップをトークンとして定義し,空間的位置とグローバルな時間的パターンを学習するための空間的時間的埋め込みを設計する。
実トラフィックデータセットの実験において、ST-LLMは最先端のモデルより優れた空間時空間学習器である。
論文 参考訳（メタデータ） (2024-01-18T17:03:59Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳（メタデータ） (2023-06-20T03:02:14Z) - 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) - 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) - STLGRU: Spatio-Temporal Lightweight Graph GRU for Traffic Flow
Prediction [0.40964539027092917]
本稿では,交通流を正確に予測する新しい交通予測モデルSTLGRUを提案する。
提案するSTLGRUは,交通ネットワークの局所的・大域的空間的関係を効果的に捉えることができる。
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） (2022-12-08T20:24:59Z) - STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention
Network for Traffic Forecasting [7.232141271583618]
非効率な時空間継手線形注意(SSTLA)と呼ばれる交通予測のための新しいディープラーニングモデルを提案する。
SSTLAは、全時間ノード間のグローバル依存を効率的に捉えるために、ジョイントグラフに線形注意を適用する。
実世界の2つの交通データセットであるイングランドとテンポラル7の実験は、我々のSTJLAが最先端のベースラインよりも9.83%と3.08%の精度でMAE測定を達成できることを示した。
論文 参考訳（メタデータ） (2021-12-04T06:39:18Z) - Space Meets Time: Local Spacetime Neural Network For Traffic Flow
Forecasting [11.495992519252585]
このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。
交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。
提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
論文 参考訳（メタデータ） (2021-09-11T09:04:35Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z) - 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。