論文の概要: Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2302.12973v1
- Date: Sat, 25 Feb 2023 03:37:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 19:46:55.502962
- Title: Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting
- Title（参考訳）: 交通予測のための注意型空間時間グラフ畳み込みリカレントネットワーク
- Authors: Haiyang Liu, Chunjiang Zhu, Detian Zhang, Qing Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.568905377581647
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic forecasting is one of the most fundamental problems in transportation
science and artificial intelligence. The key challenge is to effectively model
complex spatial-temporal dependencies and correlations in modern traffic data.
Existing methods, however, cannot accurately model both long-term and
short-term temporal correlations simultaneously, limiting their expressive
power on complex spatial-temporal patterns. In this paper, we propose a novel
spatial-temporal neural network framework: Attention-based Spatial-Temporal
Graph Convolutional Recurrent Network (ASTGCRN), which consists of a graph
convolutional recurrent module (GCRN) and a global attention module. In
particular, GCRN integrates gated recurrent units and adaptive graph
convolutional networks for dynamically learning graph structures and capturing
spatial dependencies and local temporal relationships. To effectively extract
global temporal dependencies, we design a temporal attention layer and
implement it as three independent modules based on multi-head self-attention,
transformer, and informer respectively. Extensive experiments on five real
traffic datasets have demonstrated the excellent predictive performance of all
our three models with all their average MAE, RMSE and MAPE across the test
datasets lower than the baseline methods.
- Abstract（参考訳）: 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。
鍵となる課題は、現代の交通データの複雑な空間-時間依存と相関を効果的にモデル化することである。
しかし、既存の手法では、時間的関係と時間的相関を同時にモデル化することができず、複雑な時空間パターンに対して表現力を制限することができる。
本稿では,グラフ畳み込みリカレントモジュール(gcrn)とグローバルアテンションモジュールからなる,新たな空間-時間的ニューラルネットワークフレームワークであるアテンションベース空間-時間グラフ畳み込みリカレントネットワーク(astgcrn)を提案する。
特にGCRNは、グラフ構造を動的に学習し、空間的依存関係と局所的時間的関係をキャプチャするためのゲートリカレントユニットと適応グラフ畳み込みネットワークを統合している。
大域的時間的依存性を効果的に抽出するため,我々は時間的注意層を設計し,マルチヘッド・セルフアテンション,トランスフォーマー,インフォメータに基づく3つの独立したモジュールとして実装する。
5つの実トラフィックデータセットに対する大規模な実験は、ベースライン法よりも低いテストデータセットの平均MAE、RMSE、MAPEで、我々の3つのモデルの優れた予測性能を示した。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - Navigating Spatio-Temporal Heterogeneity: A Graph Transformer Approach for Traffic Forecasting [13.309018047313801]
交通予測はスマートシティの発展において重要な研究分野として浮上している。
最短時間相関のためのネットワークモデリングの最近の進歩は、パフォーマンスのリターンが低下し始めている。
これらの課題に対処するために、時空間グラフ変換器(STGormer)を導入する。
本研究では,その構造に基づく空間符号化手法を2つ設計し,時間位置をバニラ変圧器に統合して時間的トラフィックパターンをキャプチャする。
論文 参考訳（メタデータ） (2024-08-20T13:18:21Z) - Multi-Scale Spatial-Temporal Recurrent Networks for Traffic Flow
Prediction [13.426775574655135]
交通流予測のためのマルチスケール時空間リカレントネットワーク(MSSTRN)を提案する。
本研究では,適応的な位置グラフの畳み込みを自己認識機構に統合し,空間的時間的依存関係の同時捕捉を実現する空間的時間的同期的注意機構を提案する。
本モデルは,全20基準法と比較して,非自明なマージンで最高の予測精度を実現する。
論文 参考訳（メタデータ） (2023-10-12T08:52:36Z) - 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) - 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) - DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic
Forecasting [7.232141271583618]
以上の問題に対処する新しい動的多重グラフ畳み込み再帰ネットワーク(DMG)を提案する。
距離に基づくグラフを用いて,距離の近いノードから空間情報をキャプチャする。
また,道路間の構造相関を符号化した新しい潜在グラフを構築し,ノードから空間情報をキャプチャする。
論文 参考訳（メタデータ） (2021-12-04T06:51:55Z) - 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) - 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。