論文の概要: Dynamic Graph Convolution Network with Spatio-Temporal Attention Fusion
for Traffic Flow Prediction
- arxiv url: http://arxiv.org/abs/2302.12598v1
- Date: Fri, 24 Feb 2023 12:21:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-27 13:48:28.146652
- Title: Dynamic Graph Convolution Network with Spatio-Temporal Attention Fusion
for Traffic Flow Prediction
- Title（参考訳）: トラヒックフロー予測のための時空間的注意融合を伴う動的グラフ畳み込みネットワーク
- Authors: Xunlian Luo, Chunjiang Zhu, Detian Zhang, Qing Li
- Abstract要約: 深層学習手法は,道路網の複雑な時間パターンを捕捉する強力な能力を示した。
本稿では,時間的注意融合を用いた動的グラフ畳み込みネットワークを提案する。
我々は、22のベースラインモデルと比較して、我々のモデルが最先端のパフォーマンスを示すために、4つの実世界のデータセットで広範な実験を行う。
- 参考スコア（独自算出の注目度）: 11.788940554505798
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and real-time traffic state prediction is of great practical
importance for urban traffic control and web mapping services (e.g. Google
Maps). With the support of massive data, deep learning methods have shown their
powerful capability in capturing the complex spatio-temporal patterns of road
networks. However, existing approaches use independent components to model
temporal and spatial dependencies and thus ignore the heterogeneous
characteristics of traffic flow that vary with time and space. In this paper,
we propose a novel dynamic graph convolution network with spatio-temporal
attention fusion. The method not only captures local spatio-temporal
information that changes over time, but also comprehensively models
long-distance and multi-scale spatio-temporal patterns based on the fusion
mechanism of temporal and spatial attention. This design idea can greatly
improve the spatio-temporal perception of the model. We conduct extensive
experiments in 4 real-world datasets to demonstrate that our model achieves
state-of-the-art performance compared to 22 baseline models.
- Abstract（参考訳）: 正確かつリアルタイムな交通状態予測は、都市交通制御とwebマッピングサービス(例えばgoogle maps)にとって、実用上非常に重要である。
大規模データのサポートにより、深層学習手法は、道路ネットワークの複雑な時空間パターンを捕捉する強力な能力を示している。
しかし、既存のアプローチでは、時間と空間の依存関係をモデル化するために独立したコンポーネントを使用し、時間と空間によって異なるトラフィックフローの不均一な特性を無視する。
本稿では,時空間的注意融合を用いた新しい動的グラフ畳み込みネットワークを提案する。
本手法は,時間とともに変化する局所時空間情報だけでなく,時間的・空間的注意の融合機構に基づく長距離・多スケール時空間パターンを包括的にモデル化する。
この設計アイデアは、モデルの時空間知覚を大幅に改善することができる。
4つの実世界のデータセットで広範な実験を行い、22のベースラインモデルと比較して、我々のモデルが最先端のパフォーマンスを達成できることを実証した。
関連論文リスト
- 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) - Spatial-temporal traffic modeling with a fusion graph reconstructed by
tensor decomposition [10.104097475236014]
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。
論文 参考訳（メタデータ） (2022-12-12T01:44:52Z) - Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow
Forecasting [6.867331860819595]
複雑な時空間相関と非線形トラフィックパターンのため、交通予測は非常に困難である。
既存の研究は主に、空間的相関と時間的相関を別々に考慮して、そのような空間的・時間的依存関係をモデル化する。
本稿では,局所的マルチヘッド自己アテンションを用いた空間時間グラフ上での空間空間的・時間的相関を直接モデル化する。
論文 参考訳（メタデータ） (2022-07-09T19:21:00Z) - CDGNet: A Cross-Time Dynamic Graph-based Deep Learning Model for Traffic
Forecasting [7.169972421976212]
トラフィック予測のための新しいクロスタイム動的グラフベースディープラーニングモデルCDGNetを提案する。
本研究では,実世界の空間的相関をスパースする時間的動的グラフをスパースするゲーティング機構を設計する。
論文 参考訳（メタデータ） (2021-12-06T01:56:07Z) - 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) - 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) - Disentangling and Unifying Graph Convolutions for Skeleton-Based Action
Recognition [79.33539539956186]
本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。
これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-03-31T11:28:25Z) - 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)
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。