論文の概要: Do We Really Need Graph Neural Networks for Traffic Forecasting?

• arxiv url: http://arxiv.org/abs/2301.12603v1
• Date: Mon, 30 Jan 2023 01:30:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 16:02:09.793484
• Title: Do We Really Need Graph Neural Networks for Traffic Forecasting?
• Title（参考訳）: トラフィック予測にグラフニューラルネットワークは本当に必要か?
• Authors: Xu Liu, Yuxuan Liang, Chao Huang, Hengchang Hu, Yushi Cao, Bryan Hooi, Roger Zimmermann
• Abstract要約: 我々は,SimSTと題して,恥ずかしく単純だが極めて効果的なアプローチを提案する。 SimSTは2つの空間学習手法によりGNNの有効性を近似する。 我々は,SimSTの有効性を効率と有効性の観点から評価するために,5つの交通ベンチマーク実験を行った。
• 参考スコア（独自算出の注目度）: 44.25906613303993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal graph neural networks (STGNN) have become the most popular solution to traffic forecasting. While successful, they rely on the message passing scheme of GNNs to establish spatial dependencies between nodes, and thus inevitably inherit GNNs' notorious inefficiency. Given these facts, in this paper, we propose an embarrassingly simple yet remarkably effective spatio-temporal learning approach, entitled SimST. Specifically, SimST approximates the efficacies of GNNs by two spatial learning techniques, which respectively model local and global spatial correlations. Moreover, SimST can be used alongside various temporal models and involves a tailored training strategy. We conduct experiments on five traffic benchmarks to assess the capability of SimST in terms of efficiency and effectiveness. Empirical results show that SimST improves the prediction throughput by up to 39 times compared to more sophisticated STGNNs while attaining comparable performance, which indicates that GNNs are not the only option for spatial modeling in traffic forecasting.
• Abstract（参考訳）: 時空間グラフニューラルネットワーク(STGNN)がトラフィック予測の最も一般的なソリューションとなっている。 成功しながらも、ノード間の空間依存を確立するためにGNNのメッセージパッシング方式に依存しており、GNNの悪名高い非効率性を必然的に継承している。 これらの事実を踏まえて,本論文では,恥ずべきほど単純かつ極めて効果的な時空間学習手法であるsimstを提案する。 具体的には,局所的および大域的空間相関をモデル化した2つの空間学習手法により,GNNの有効性を近似する。 さらに、SimSTは様々な時間モデルと一緒に使用することができ、調整されたトレーニング戦略を含む。 我々は,SimSTの効率と有効性を評価するために,5つの交通ベンチマーク実験を行った。 実験結果から,SimSTはより洗練されたSTGNNに比べて最大39倍の予測スループットを向上するが,これはGNNが交通予測における空間モデリングの唯一の選択肢ではないことを示している。

関連論文リスト

• Minimalist Traffic Prediction: Linear Layer Is All You Need [9.677531063090104]
  交通予測は、インテリジェントトランスポーテーションシステム(ITS)の進展とスマートシティのビジョンに不可欠である。 STGNNは、RNNまたはTransformerと統合されたグラフニューラルネットワーク(GNN)を活用することで、この領域で有望であることを示した。 本稿ではこれらの課題に対処し,ノード埋め込みアプローチ,時系列分解,周期学習の3つの主要なソリューションを提案する。
  論文  参考訳（メタデータ） (2023-08-20T14:12:11Z)
• ST-MLP: A Cascaded Spatio-Temporal Linear Framework with Channel-Independence Strategy for Traffic Forecasting [47.74479442786052]
  時空間グラフニューラルネットワーク(STGNN)に関する現在の研究は、しばしば複雑な設計を優先し、精度をわずかに向上させるだけで計算負荷を発生させる。 マルチ層パーセプトロン(MLP)モジュールと線形層のみをベースとした,簡潔な時空間モデルST-MLPを提案する。 実験の結果,ST-MLPは最先端STGNNと他のモデルよりも精度と計算効率の点で優れていた。
  論文  参考訳（メタデータ） (2023-08-14T23:34:59Z)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• SST-GNN: Simplified Spatio-temporal Traffic forecasting model using Graph Neural Network [2.524966118517392]
  我々は,SST-GNN(SST-GNN)を簡易に設計し,異なる地区を個別に集約することで依存性を効果的に符号化した。 我々は,本モデルが3つの実環境トラフィックデータセットの最先端モデルよりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2021-03-31T18:28:44Z)
• Spatio-Temporal Neural Network for Fitting and Forecasting COVID-19 [1.1129587851149594]
  我々は、2020年の世界的な新型コロナウイルス感染拡大を予測するため、時空間ニューラルネットワーク(STNN)を構築した。 拡張空間状態STNN(STNN-A)と入力ゲートSTNN(STNN-I)の2つの改良されたSTNNアーキテクチャを提案する。 数値シミュレーションにより、STNNモデルはより正確なフィッティングと予測を提供し、空間データと時間データの両方を扱うことにより、他の多くのモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-03-22T13:59:14Z)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)
• On the spatial attention in Spatio-Temporal Graph Convolutional Networks for skeleton-based human action recognition [97.14064057840089]
  カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。 最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
  論文  参考訳（メタデータ） (2020-11-07T19:03:04Z)
• 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。