論文の概要: Semi-decentralized Inference in Heterogeneous Graph Neural Networks for
Traffic Demand Forecasting: An Edge-Computing Approach
- arxiv url: http://arxiv.org/abs/2303.00524v1
- Date: Tue, 28 Feb 2023 00:21:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 14:29:30.102263
- Title: Semi-decentralized Inference in Heterogeneous Graph Neural Networks for
Traffic Demand Forecasting: An Edge-Computing Approach
- Title(参考訳): トラフィック需要予測のためのヘテロジニアスグラフニューラルネットワークの半分散推論:エッジコンピューティングアプローチ
- Authors: Mahmoud Nazzal, Abdallah Khreishah, Joyoung Lee, and Shaahin Angizi
- Abstract要約: グラフニューラルネットワーク(GNN)は、小都市部における交通需要と供給の予測に有望であることが示されている。
本稿では,エッジ上の複数,中規模,高スループットのクラウドレット通信ネットワークを用いた半分散方式を提案する。
また、タクシーレベルの需要と供給予測を改善するための異種GNN-LSTMアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 5.506171096484621
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and timely prediction of transportation demand and supply is
essential for improving customer experience and raising the provider's profit.
Recently, graph neural networks (GNNs) have been shown promising in predicting
traffic demand and supply in small city regions. This awes their capability in
modeling both a node's historical features and its relational information with
other nodes. However, more efficient taxi demand and supply forecasting can
still be achieved by following two main routes. First, is extending the scale
of the prediction graph to include more regions. Second, is the simultaneous
exploitation of multiple node and edge types to better expose and exploit the
complex and diverse set of relations in a traffic system. Nevertheless, the
applicability of both approaches is challenged by the scalability of
system-wide GNN training and inference. An immediate remedy to the scalability
challenge is to decentralize the GNN operation. However, decentralizing GNN
operation creates excessive node-to-node communication overhead which hinders
the potential of this approach. In this paper, we propose a semi-decentralized
approach based on the use of multiple, moderately sized, and high-throughout
cloudlet communication networks on the edge. This approach combines the best
features of the centralized and decentralized settings; it may minimize the
inter-cloudlet communication thereby alleviating the communication overhead of
the decentralized approach while promoting scalability due to cloudlet-level
decentralization. Also, we propose a heterogeneous GNN-LSTM algorithm for
improved taxi-level demand and supply forecasting. This approach allows for
handling dynamic taxi graphs where nodes are taxis. Through a set of
experiments over real data, we show the advantage of the semi-decentralized
approach as tested over our GNN-LSTM algorithm for taxi demand and supply
prediction.
- Abstract(参考訳): 交通需要と供給の正確かつタイムリーな予測は、顧客体験の向上と提供者の利益向上に不可欠である。
近年,小都市部における交通需要と供給の予測にグラフニューラルネットワーク(GNN)が期待されている。
これにより、ノードの履歴的特徴と、他のノードとのリレーショナル情報の両方をモデル化できる。
しかし、より効率的なタクシー需要と供給予測は、2つの主要ルートを従えば達成できる。
まず、予測グラフのスケールを、より多くの領域を含むように拡張すること。
第二に、複数のノードとエッジタイプを同時に利用することで、トラフィックシステムにおける複雑で多様な関係の集合をよりよく公開し、活用する。
それにもかかわらず、両方のアプローチの適用性は、システムワイドGNNトレーニングと推論のスケーラビリティによって挑戦されている。
スケーラビリティの課題に対する即時対策は、GNN操作を分散化することだ。
しかし、GNN操作の分散化はノード間通信の過大なオーバーヘッドを生み出し、このアプローチの可能性を妨げる。
本稿では,エッジ上のマルチサイズ,中規模,高スループットのクラウドレット通信ネットワークを用いた半分散方式を提案する。
このアプローチは、集中型と分散型の設定の最良の機能を組み合わせる。クラウドレット間の通信を最小限にすることで、分散型のアプローチの通信オーバーヘッドを軽減し、cloudletレベルの分散化によるスケーラビリティを促進する。
また、タクシーレベルの需要と供給予測を改善するための異種GNN-LSTMアルゴリズムを提案する。
このアプローチにより、ノードがタクシーであるような動的タクシーグラフの処理が可能になる。
実データに対する一連の実験を通して、タクシー需要と供給予測のためのGNN-LSTMアルゴリズム上でテストされた半分散アプローチの利点を示す。
関連論文リスト
- Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。
本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
論文 参考訳(メタデータ) (2023-08-31T05:26:08Z) - 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) - ABC: Aggregation before Communication, a Communication Reduction
Framework for Distributed Graph Neural Network Training and Effective
Partition [0.0]
グラフニューラルネットワーク(GNN)は、グラフ構造データに適したニューラルモデルであり、グラフ構造データの学習表現において優れた性能を示している。
本稿では,分散GNN訓練における通信複雑性について検討する。
グラフ変換プロセスの未知によりエッジ配置を制御できない動的グラフの場合,新しいパーティションパラダイムは特に理想的であることを示す。
論文 参考訳(メタデータ) (2022-12-11T04:54:01Z) - Binary Graph Convolutional Network with Capacity Exploration [58.99478502486377]
ネットワークパラメータと入力ノード属性の両方を二項化するバイナリグラフ畳み込みネットワーク(Bi-GCN)を提案する。
我々のBi-GCNは、ネットワークパラメータと入力データの両方で平均31倍のメモリ消費を削減でき、推論速度を平均51倍に加速できる。
論文 参考訳(メタデータ) (2022-10-24T12:05:17Z) - Graph Neural Network Based Node Deployment for Throughput Enhancement [20.56966053013759]
本稿では,ネットワークノード配置問題に対する新しいグラフニューラルネットワーク(GNN)手法を提案する。
提案手法の理論的サポートとして,表現型GNNが関数値とトラフィック置換の両方を近似する能力を持つことを示す。
論文 参考訳(メタデータ) (2022-08-19T08:06:28Z) - p2pGNN: A Decentralized Graph Neural Network for Node Classification in
Peer-to-Peer Networks [15.164084925877624]
本研究では,非構造化ピアツーピアネットワークのノードを分散化ソーシャルネットワークのユーザなどコミュニケーションの不確実性のあるノードに分類することを目的とする。
この問題を解決するために,グラフニューラルネットワーク(GNN)を分離した。
通信速度に対して線形に同じ予測で収束する拡散の非同期分散定式化を開発する。
論文 参考訳(メタデータ) (2021-11-29T12:21:47Z) - Power Flow Balancing with Decentralized Graph Neural Networks [4.812718493682454]
汎用グリッド内の電力フローのバランスをとるために,グラフニューラルネットワーク(GNN)に基づくエンドツーエンドフレームワークを提案する。
提案するフレームワークは,ディープラーニングに基づく他の解法と比較して効率的であり,グリッドコンポーネントの物理量だけでなくトポロジにも頑健である。
論文 参考訳(メタデータ) (2021-11-03T12:14:56Z) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳(メタデータ) (2020-06-26T14:20:48Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳(メタデータ) (2020-04-19T09:43:14Z) - An Uncoupled Training Architecture for Large Graph Learning [20.784230322205232]
グラフデータをグリッドライクなデータに埋め込むための、柔軟なアンカップリングトレーニングフレームワークであるNode2Gridsを紹介します。
各ノードの影響を次々にランク付けすることで、Node2Gridsは最も影響力のある1階と、中央ノードの融合情報を持つ2階の隣人を選択する。
下流タスクの効率をさらに向上するために、単純なCNNベースのニューラルネットワークを使用して、マッピングされたグリッドのようなデータから重要な情報をキャプチャする。
論文 参考訳(メタデータ) (2020-03-21T11:49:16Z) - EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。
EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。
これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
論文 参考訳(メタデータ) (2020-01-21T15:51:17Z)
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。