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
- BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。
本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。
本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文 参考訳(メタデータ) (2024-03-08T04:19:56Z) - A Generative Pre-Training Framework for Spatio-Temporal Graph Transfer
Learning [27.804832148368916]
本稿では,STG転送学習のための新しい生成事前学習フレームワーク GPDiff を提案する。
我々はSTG転送学習を生成的ハイパーネットワークの事前学習として再考し、プロンプトで導かれる調整されたモデルパラメータを生成する。
データギャップと都市間の知識の一般化の複雑さから生じる課題に対処することで、我々のフレームワークは一貫して最先端のベースラインを上回っている。
論文 参考訳(メタデータ) (2024-02-19T08:11:26Z) - Context-based Transfer and Efficient Iterative Learning for Unbiased
Scene Graph Generation [93.98335200422274]
CITransは、段階的に強化されたデータでSGGモデルを反復的に訓練する。
CRTは、詳細なデータ転送を達成するために、述語のセマンティック空間内で主観的対象制約を課す。
EILはモデルを反復的にトレーニングし、モデルの学習状態と整合した拡張ラベルを生成する。
論文 参考訳(メタデータ) (2023-12-29T01:37:27Z) - Traffic Prediction with Transfer Learning: A Mutual Information-based
Approach [11.444576186559487]
そこで我々は,他の都市からのビッグデータを用いて交通予測を行う都市間交通予測手法であるTrafficTLを提案する。
TrafficTLは3つの実世界のデータセットの包括的なケーススタディによって評価され、最先端のベースラインを約8~25%上回る。
論文 参考訳(メタデータ) (2023-03-13T15:27:07Z) - 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) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳(メタデータ) (2022-04-21T23:01:21Z) - Few-Shot Traffic Prediction with Graph Networks using Locale as
Relational Inductive Biases [7.173242326298134]
多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。
本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。
また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
論文 参考訳(メタデータ) (2022-03-08T09:46:50Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳(メタデータ) (2021-08-02T08:13:57Z)
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。