論文の概要: Cross-City Traffic Prediction via Semantic-Fused Hierarchical Graph Transfer Learning

• arxiv url: http://arxiv.org/abs/2302.11774v1
• Date: Thu, 23 Feb 2023 04:26:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-24 16:18:20.856587
• Title: Cross-City Traffic Prediction via Semantic-Fused Hierarchical Graph Transfer Learning
• Title（参考訳）: 意味融合階層グラフ転送学習による都市間交通予測
• Authors: Kehua Chen, Jindong Han, Siyuan Feng, Hai Yang
• Abstract要約: 近年,データ駆動手法はトラヒック予測や従来の手法よりも優れている。 この問題に対処するために、トランスファーラーニングにより、データ豊富な都市からデータに富む都市へメタ知識を抽出することができる。 本稿では,意味を融合した都市間における知識伝達を実現するために,セマンティック・フューズド・階層型グラフ転送学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 17.0011029870241
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate traffic prediction benefits urban management and improves transportation efficiency. Recently, data-driven methods have been widely applied in traffic prediction and outperformed traditional methods. However, data-driven methods normally require massive data for training, while data scarcity is ubiquitous in low-developmental or newly constructed regions. To tackle this problem, we can extract meta knowledge from data-rich cities to data-scarce cities via transfer learning. Besides, relations among urban regions can be organized into various semantic graphs, e.g. proximity and POI similarity, which is barely considered in previous studies. In this paper, we propose Semantic-Fused Hierarchical Graph Transfer Learning (SF-HGTL) model to achieve knowledge transfer across cities with fused semantics. In detail, we employ hierarchical graph transformation followed by meta-knowledge retrieval to achieve knowledge transfer in various granularity. In addition, we introduce meta semantic nodes to reduce the number of parameters as well as share information across semantics. Afterwards, the parameters of the base model are generated by fused semantic embeddings to predict traffic status in terms of task heterogeneity. We implement experiments on five real-world datasets and verify the effectiveness of our SF-HGTL model by comparing it with other baselines.
• Abstract（参考訳）: 正確な交通予測は都市管理に役立ち、交通効率を向上させる。 近年,データ駆動手法はトラヒック予測や従来の手法よりも優れている。 しかし、データ駆動方式は通常、トレーニングのために大量のデータを必要とするが、データ不足は低開発地域や新しく構築された地域ではユビキタスである。 この問題に取り組むために、トランスファーラーニングを通じて、データ豊富な都市からデータ収集都市へメタ知識を抽出できる。 さらに、都市地域間の関係は、例えば近接性やPOI類似性など、様々な意味グラフにまとめることができる。 本稿では,意味論的に融合した階層的グラフ転送学習(sf-hgtl)モデルを提案する。 詳細は階層的なグラフ変換とメタ知識検索を用いて,様々な粒度の知識伝達を実現する。 さらに,メタセマンティクスノードを導入し,パラメータの数を減らし,セマンティクス間で情報を共有する。 その後、ベースモデルのパラメータは、タスクの不均一性の観点からトラフィック状態を予測するために融合セマンティック埋め込みによって生成される。 実世界の5つのデータセットで実験を行い、他のベースラインと比較することにより、SF-HGTLモデルの有効性を検証する。

関連論文リスト

• Traffic Prediction considering Multiple Levels of Spatial-temporal Information: A Multi-scale Graph Wavelet-based Approach [3.343804744266258]
  本研究では,複雑な交通ネットワークにおける交通状態を予測するためのグラフウェーブレット時間畳み込みネットワーク(MSGWTCN)を提案する。 シアトルのハイウェイネットワークやニューヨーク市マンハッタンの高密度道路ネットワークなど、モデルのパフォーマンスを調べるために、2つの実世界のデータセットが使用されている。
  論文  参考訳（メタデータ） (2024-06-18T20:05:47Z)
• Generalizable Implicit Neural Representation As a Universal Spatiotemporal Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-06-13T02:03:22Z)
• Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-05-06T06:23:06Z)
• DGInStyle: Domain-Generalizable Semantic Segmentation with Image Diffusion Models and Stylized Semantic Control [68.14798033899955]
  大規模で事前訓練された潜伏拡散モデル(LDM)は、創造的コンテンツを生成できる異常な能力を示した。 しかし、それらは例えば、セマンティックセグメンテーションのような知覚スタックのタスクを改善するために、大規模なデータジェネレータとして使用できますか? 自律運転の文脈でこの疑問を考察し、「はい」という言い換えで答える。
  論文  参考訳（メタデータ） (2023-12-05T18:34:12Z)
• Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
  同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。 共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。 さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
  論文  参考訳（メタデータ） (2022-07-08T10:25:47Z)
• NodeTrans: A Graph Transfer Learning Approach for Traffic Prediction [33.299309349152146]
  少ないデータでトラフィック予測を解くために,新しいトランスファー学習手法を提案する。 まず、異なる道路ネットワークのノード固有の時空間トラフィックパターンをキャプチャできる時空間グラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-07-04T10:06:20Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)
• How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
  転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。 本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。 スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
  論文  参考訳（メタデータ） (2021-11-26T11:58:51Z)
• Context Decoupling Augmentation for Weakly Supervised Semantic Segmentation [53.49821324597837]
  微調整されたセマンティックセグメンテーションは、近年深く研究されている困難な問題です。 本稿では、オブジェクトが現れる固有のコンテキストを変更する Context Decoupling Augmentation (CDA) メソッドを紹介します。 提案手法の有効性を検証するため, PASCAL VOC 2012データセットにいくつかの代替ネットワークアーキテクチャを用いた広範な実験を行い, CDAが様々なWSSS手法を新たな最先端技術に拡張できることを実証した。
  論文  参考訳（メタデータ） (2021-03-02T15:05:09Z)
• Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
  インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。 重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。 本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
  論文  参考訳（メタデータ） (2020-05-04T17:45:18Z)

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。