論文の概要: Urban Regional Function Guided Traffic Flow Prediction

• arxiv url: http://arxiv.org/abs/2303.09789v1
• Date: Fri, 17 Mar 2023 06:03:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-20 15:30:59.654441
• Title: Urban Regional Function Guided Traffic Flow Prediction
• Title（参考訳）: 都市部における交通流予測
• Authors: Kuo Wang, Lingbo Liu, Yang Liu, Guanbin Li, Fan Zhou, Liang Lin
• Abstract要約: メタデータとして各領域の機能を利用するPOI-MetaBlockという新しいモジュールを提案する。 我々のモジュールはトラフィックフロー予測の性能を大幅に改善し、メタデータを使用する最先端の手法より優れています。
• 参考スコア（独自算出の注目度）: 117.75679676806296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The prediction of traffic flow is a challenging yet crucial problem in spatial-temporal analysis, which has recently gained increasing interest. In addition to spatial-temporal correlations, the functionality of urban areas also plays a crucial role in traffic flow prediction. However, the exploration of regional functional attributes mainly focuses on adding additional topological structures, ignoring the influence of functional attributes on regional traffic patterns. Different from the existing works, we propose a novel module named POI-MetaBlock, which utilizes the functionality of each region (represented by Point of Interest distribution) as metadata to further mine different traffic characteristics in areas with different functions. Specifically, the proposed POI-MetaBlock employs a self-attention architecture and incorporates POI and time information to generate dynamic attention parameters for each region, which enables the model to fit different traffic patterns of various areas at different times. Furthermore, our lightweight POI-MetaBlock can be easily integrated into conventional traffic flow prediction models. Extensive experiments demonstrate that our module significantly improves the performance of traffic flow prediction and outperforms state-of-the-art methods that use metadata.
• Abstract（参考訳）: 交通流の予測は空間時間解析において困難だが重要な問題であり、近年関心が高まりつつある。 空間的時間的相関に加えて,都市部の機能も交通流予測において重要な役割を担っている。 しかし, 地域機能特性の探索は, 地域交通パターンに対する機能特性の影響を無視して, 追加のトポロジ的構造の追加に重点を置いている。 既存の研究とは違って,poi-metablockと呼ばれる新しいモジュールを提案し,各領域の機能(ポイント・オブ・関心分布によって表現される)をメタデータとして活用し,異なる機能を持つ領域におけるトラフィック特性をさらに探究する。 具体的には、提案するPOI-MetaBlockは自己注意アーキテクチャを採用し、POIと時間情報を組み込んで各領域の動的注意パラメータを生成し、各領域の異なるトラフィックパターンを異なる時間で適合させることができる。 さらに,我々の軽量POI-MetaBlockは,従来の交通流予測モデルに容易に統合できる。 大規模な実験により,我々のモジュールは交通流予測の性能を大幅に改善し,メタデータを用いた最先端の手法よりも優れていた。

関連論文リスト

• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework [2.9490249935740573]
  FMPESTF(Fusion Matrix Prompt-Enhanced Self-Attention Space-Temporal Interactive Traffic Forecasting Framework)を提案する。 FMPESTFは、ダウンサンプリングトラフィックデータのための空間的および時間的モジュールで構成されている。 時間モデリングにおける注意機構を導入し,様々な交通シナリオに適応するための階層型時空間対話型学習を設計する。
  論文  参考訳（メタデータ） (2024-10-12T03:47:27Z)
• Deep Multi-View Channel-Wise Spatio-Temporal Network for Traffic Flow Prediction [18.008631008649658]
  underlineMulti-underlineView underlineChannel-wise underlineSpatio-underlineTemporal underlineNetwork (MVC-STNet) 我々は,マルチチャネル交通流予測の新たな課題について検討し,深いアンダーラインMulti-underlineViewアンダーラインChannel-wiseアンダーラインTempを提案する。
  論文  参考訳（メタデータ） (2024-04-23T13:39:04Z)
• Transport-Hub-Aware Spatial-Temporal Adaptive Graph Transformer for Traffic Flow Prediction [10.722455633629883]
  本稿では交通流予測のためのトランスポート・ハブ対応時空間適応型グラフ変換器を提案する。 具体的には、動的空間依存を捉えるために、まず新しい空間自己認識モジュールを設計する。 また、トラフィックフローデータ中の動的時間パターンを検出するために、時間的自己アテンションモジュールを用いる。
  論文  参考訳（メタデータ） (2023-10-12T13:44:35Z)
• Newell's theory based feature transformations for spatio-temporal traffic prediction [0.0]
  本稿では,交通流予測のための深層学習(DL)モデルのための交通流物理に基づく変換機能を提案する。 この変換は、Newellがターゲット位置におけるトラフィックフローの非混雑フィルタを組み込んだもので、モデルがシステムのより広範なダイナミクスを学習できるようにする。 私たちのフレームワークの重要な利点は、データが利用できない新しい場所に転送できることです。
  論文  参考訳（メタデータ） (2023-07-12T06:31:43Z)
• 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)
• AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network for Traffic Forecasting [12.284512000306314]
  交通予測手法に外部要因を統合するための属性拡張時間グラフ畳み込みネットワーク(AST-GCN)を提案する。 従来の交通予測手法と比較して,交通予測タスクの外部情報を考慮した場合の有効性を示す。
  論文  参考訳（メタデータ） (2020-11-22T12:49:55Z)
• Global Context-Aware Progressive Aggregation Network for Salient Object Detection [117.943116761278]
  我々は,低レベルな外観特徴,高レベルな意味特徴,グローバルな文脈特徴を統合化するための新しいネットワークGCPANetを提案する。 提案手法は, 定量的かつ定性的に, 最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-02T04:26:10Z)
• 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。