論文の概要: Spatial-temporal traffic modeling with a fusion graph reconstructed by
tensor decomposition
- arxiv url: http://arxiv.org/abs/2212.05653v1
- Date: Mon, 12 Dec 2022 01:44:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 17:33:07.400278
- Title: Spatial-temporal traffic modeling with a fusion graph reconstructed by
tensor decomposition
- Title(参考訳): テンソル分解による融合グラフ再構成による時空間交通モデリング
- Authors: Qin Li, Xuan Yang, Yong Wang, Yuankai Wu, Deqiang He
- Abstract要約: グラフ畳み込みネットワーク(GCN)は交通流予測に広く利用されている。
時空間グラフ隣接行列の設計はGCNの成功の鍵となる。
本稿では, テンソル分解による二元隣接行列の再構成を提案する。
- 参考スコア(独自算出の注目度): 10.104097475236014
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate spatial-temporal traffic flow forecasting is essential for helping
traffic managers to take control measures and drivers to choose the optimal
travel routes. Recently, graph convolutional networks (GCNs) have been widely
used in traffic flow prediction owing to their powerful ability to capture
spatial-temporal dependencies. The design of the spatial-temporal graph
adjacency matrix is a key to the success of GCNs, and it is still an open
question. This paper proposes reconstructing the binary adjacency matrix via
tensor decomposition, and a traffic flow forecasting method is proposed. First,
we reformulate the spatial-temporal fusion graph adjacency matrix into a
three-way adjacency tensor. Then, we reconstructed the adjacency tensor via
Tucker decomposition, wherein more informative and global spatial-temporal
dependencies are encoded. Finally, a Spatial-temporal Synchronous Graph
Convolutional module for localized spatial-temporal correlations learning and a
Dilated Convolution module for global correlations learning are assembled to
aggregate and learn the comprehensive spatial-temporal dependencies of the road
network. Experimental results on four open-access datasets demonstrate that the
proposed model outperforms state-of-the-art approaches in terms of the
prediction performance and computational cost.
- Abstract(参考訳): 正確な時空間交通流予測は、交通管理者が制御手段とドライバーが最適な経路を選択するのを助けるために不可欠である。
近年,グラフ畳み込みネットワーク (GCN) は空間的時間的依存関係を捕捉する強力な能力のため,交通流予測に広く利用されている。
時空間グラフ隣接行列の設計はGCNの成功の鍵であり、まだ未解決の問題である。
本稿では, テンソル分解による連接行列の再構成を提案し, 交通流予測手法を提案する。
まず,空間-時間融合グラフ隣接行列を3方向隣接テンソルに再構成する。
次に,タッカー分解による隣接テンソルの再構成を行い,より情報的かつグローバルな時空間依存性を符号化した。
最後に、局所化された空間-時間相関学習のための空間-時間同期グラフ畳み込みモジュールと、グローバル相関学習のための拡張畳み込みモジュールとを組み立てて、道路網の包括的空間-時間依存性を集約学習する。
4つのオープンアクセスデータセットによる実験結果から,提案モデルが予測性能と計算コストにおいて最先端の手法より優れていることが示された。
関連論文リスト
- Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework [2.9490249935740573]
FMPESTF(Fusion Matrix Prompt-Enhanced Self-Attention Space-Temporal Interactive Traffic Forecasting Framework)を提案する。
FMPESTFは、ダウンサンプリングトラフィックデータのための空間的および時間的モジュールで構成されている。
時間モデリングにおける注意機構を導入し,様々な交通シナリオに適応するための階層型時空間対話型学習を設計する。
論文 参考訳(メタデータ) (2024-10-12T03:47:27Z) - 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) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-25T03:37:00Z) - Dynamic Graph Convolutional Network with Attention Fusion for Traffic
Flow Prediction [10.3426659705376]
本稿では,同期時空間相関をモデル化するための注意融合型動的グラフ畳み込みネットワークを提案する。
我々は、4つの実世界の交通データセットにおいて、我々の手法が18のベースライン法と比較して最先端の性能を上回ることを示す広範な実験を行った。
論文 参考訳(メタデータ) (2023-02-24T12:21:30Z) - 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) - 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) - 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) - Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow
Forecasting [35.072979313851235]
交通流の空間的-時間的データ予測は複雑な空間的依存性と道路間の時間的パターンの動的傾向のために難しい課題である。
既存のフレームワークは通常、与えられた空間隣接グラフと、空間的および時間的相関をモデル化する洗練されたメカニズムを利用する。
本稿では,交通流予測のための空間時間融合グラフニューラルネットワーク(STFGNN)を提案する。
論文 参考訳(メタデータ) (2020-12-15T14:03:17Z) - 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。