Fugu-MT 論文翻訳(概要): DG-Trans: Dual-level Graph Transformer for Spatiotemporal Incident Impact Prediction on Traffic Networks

論文の概要: DG-Trans: Dual-level Graph Transformer for Spatiotemporal Incident Impact Prediction on Traffic Networks

arxiv url: http://arxiv.org/abs/2303.12238v1
Date: Tue, 21 Mar 2023 23:44:09 GMT
ステータス: 処理完了
システム内更新日: 2023-03-23 15:46:58.512052
Title: DG-Trans: Dual-level Graph Transformer for Spatiotemporal Incident Impact Prediction on Traffic Networks
Title（参考訳）: DG-Trans:交通ネットワークにおける時空間インシデント影響予測のためのデュアルレベルグラフトランス
Authors: Yanshen Sun, Kaiqun Fu, and Chang-Tien Lu
Abstract要約: 本稿では,新しい交通事故影響予測フレームワークであるDG-Transを提案する。動的グラフ学習を通じて、トラフィックインシデントの影響を予測します。交通事故管理システムに有望な可能性を秘めている。
参考スコア（独自算出の注目度）: 12.620181394513336
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The prompt estimation of traffic incident impacts can guide commuters in their trip planning and improve the resilience of transportation agencies' decision-making on resilience. However, it is more challenging than node-level and graph-level forecasting tasks, as it requires extracting the anomaly subgraph or sub-time-series from dynamic graphs. In this paper, we propose DG-Trans, a novel traffic incident impact prediction framework, to foresee the impact of traffic incidents through dynamic graph learning. The proposed framework contains a dual-level spatial transformer and an importance-score-based temporal transformer, and the performance of this framework is justified by two newly constructed benchmark datasets. The dual-level spatial transformer removes unnecessary edges between nodes to isolate the affected subgraph from the other nodes. Meanwhile, the importance-score-based temporal transformer identifies abnormal changes in node features, causing the predictions to rely more on measurement changes after the incident occurs. Therefore, DG-Trans is equipped with dual abilities that extract spatiotemporal dependency and identify anomaly nodes affected by incidents while removing noise introduced by benign nodes. Extensive experiments on real-world datasets verify that DG-Trans outperforms the existing state-of-the-art methods, especially in extracting spatiotemporal dependency patterns and predicting traffic accident impacts. It offers promising potential for traffic incident management systems.
Abstract（参考訳）: 交通インシデントの影響の迅速な推定は、通勤者の旅行計画のガイドとなり、交通機関のレジリエンスに関する意思決定のレジリエンスを向上させることができる。しかし、動的グラフから異常部分グラフやサブ時系列を抽出する必要があるため、ノードレベルやグラフレベルの予測タスクよりも難しい。本稿では,動的グラフ学習による交通事故の影響を予測するための新しい交通事故影響予測フレームワークであるDG-Transを提案する。提案手法は,デュアルレベル空間変換器と重要スコアに基づく時間変換器を含み,新たに構築した2つのベンチマークデータセットによって,このフレームワークの性能を正当化する。デュアルレベル空間トランスは、影響を受けるサブグラフを他のノードから分離するために、ノード間の不要なエッジを取り除く。一方、重要度に基づく時間的トランスフォーマーはノードの特徴の異常な変化を識別し、インシデント発生後の測定値の変化に依存する。そのため、DG-Transは時空間依存を抽出し、異常なノードを識別し、良性ノードから発生するノイズを除去するデュアル機能を備えている。実世界のデータセットに関する大規模な実験は、DG-Transが既存の最先端手法、特に時空間依存パターンの抽出や交通事故の影響の予測に優れていることを検証している。交通事故管理システムに有望な可能性を秘めている。

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)
MSCT: Addressing Time-Varying Confounding with Marginal Structural Causal Transformer for Counterfactual Post-Crash Traffic Prediction [24.3907895281179]
本稿では,ポストクラッシュ交通予測のための新しい深層学習モデルを提案する。提案モデルでは, 仮説的衝突介入戦略の下での交通速度の理解と予測に特化して, 処理を意識したモデルを提案する。このモデルは、合成データと実世界のデータの両方を用いて検証され、MSCTがマルチステップ・アヘッド予測性能において最先端モデルより優れていることを示す。
論文参考訳（メタデータ） (2024-07-19T06:42:41Z)
A Multi-Channel Spatial-Temporal Transformer Model for Traffic Flow Forecasting [0.0]
交通流予測のための多チャンネル時空間変圧器モデルを提案する。トラフィックデータの異なるチャネルから結果を抽出することにより、予測の精度を向上させる。 6つの実世界のデータセットの実験結果から,時間モデルにマルチチャネル機構を導入することにより,性能が向上することが示された。
論文参考訳（メタデータ） (2024-05-10T06:37:07Z)
Counterfactual Graph Transformer for Traffic Flow Prediction [8.104461240718226]
既存のトラフィックフロー予測手法では、データセットからバイアスパターンを継承する傾向があり、解釈性に欠ける。実例レベルの説明器(重要な部分グラフを見つけるなど)を用いたグラフ変換モデルを提案する。我々は,CGTが信頼性の高い説明を作成でき,交通流予測に期待できることを示す。
論文参考訳（メタデータ） (2023-08-01T09:12:08Z)
Motion-Scenario Decoupling for Rat-Aware Video Position Prediction: Strategy and Benchmark [49.58762201363483]
本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
論文参考訳（メタデータ） (2023-05-17T14:14:31Z)
Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文参考訳（メタデータ） (2023-03-28T14:27:27Z)
GT-CausIn: a novel causal-based insight for traffic prediction [4.399130897743016]
本稿では,因果関係をグラフ拡散層と時間畳み込みネットワーク層と統合したグラフ空間時間ネットワーク(GT-CausIn)を提案する。 P.EMS-BAYとMETR-LAの2つの実世界の交通データセットで実験が行われ、GT-CausInは中期および長期の予測において最先端のモデルを著しく上回っている。
論文参考訳（メタデータ） (2022-12-12T09:09:39Z)
D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
論文参考訳（メタデータ） (2022-07-21T10:19:07Z)
Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文参考訳（メタデータ） (2022-02-05T02:31:01Z)
DetectorNet: Transformer-enhanced Spatial Temporal Graph Neural Network for Traffic Prediction [4.302265301004301]
高カバレッジの検出器は、経路計画や交通渋滞の回避において、道路利用者にとって直接的かつ遠回りの利点がある。これらのデータを活用すると、動的時間的相関、道路条件の変化による動的空間的相関など、ユニークな課題が提示される。本稿では,Transformer が拡張した DetectorNet を提案し,これらの課題に対処する。
論文参考訳（メタデータ） (2021-10-19T03:47:38Z)
Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。