論文の概要: Spatio-Temporal Graph Neural Networks for Predictive Learning in Urban Computing: A Survey

• arxiv url: http://arxiv.org/abs/2303.14483v3
• Date: Fri, 24 Nov 2023 00:58:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 04:30:28.260262
• Title: Spatio-Temporal Graph Neural Networks for Predictive Learning in Urban Computing: A Survey
• Title（参考訳）: 都市コンピューティングにおける予測学習のための時空間グラフニューラルネットワーク
• Authors: Guangyin Jin, Yuxuan Liang, Yuchen Fang, Zezhi Shao, Jincai Huang, Junbo Zhang, Yu Zheng
• Abstract要約: S-temporal Networks(STGNN)ではグラフニューラルネットワーク(GNN)と様々な時間的学習法が使用されている。 STGNNは、グラフニューラルネットワーク(GNN)と様々な時間的学習手法を統合することで、複雑な時間的依存関係の抽出を可能にする。 本稿では,都市コンピューティングにおける予測学習のためのSTGNN技術に関する包括的調査を行う。
• 参考スコア（独自算出の注目度）: 33.39878171297037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With recent advances in sensing technologies, a myriad of spatio-temporal data has been generated and recorded in smart cities. Forecasting the evolution patterns of spatio-temporal data is an important yet demanding aspect of urban computing, which can enhance intelligent management decisions in various fields, including transportation, environment, climate, public safety, healthcare, and others. Traditional statistical and deep learning methods struggle to capture complex correlations in urban spatio-temporal data. To this end, Spatio-Temporal Graph Neural Networks (STGNN) have been proposed, achieving great promise in recent years. STGNNs enable the extraction of complex spatio-temporal dependencies by integrating graph neural networks (GNNs) and various temporal learning methods. In this manuscript, we provide a comprehensive survey on recent progress on STGNN technologies for predictive learning in urban computing. Firstly, we provide a brief introduction to the construction methods of spatio-temporal graph data and the prevalent deep-learning architectures used in STGNNs. We then sort out the primary application domains and specific predictive learning tasks based on existing literature. Afterward, we scrutinize the design of STGNNs and their combination with some advanced technologies in recent years. Finally, we conclude the limitations of existing research and suggest potential directions for future work.
• Abstract（参考訳）: 近年のセンシング技術の進歩により、数多くの時空間データがスマートシティーで生成・記録されている。 時空間データの進化パターンを予測することは、交通、環境、気候、公共安全、医療など、様々な分野におけるインテリジェントな管理決定を強化することができる都市コンピューティングの重要な側面である。 従来の統計的および深層学習手法は、都市時空間データの複雑な相関を捉えるのに苦労する。 この目的のために、時空間グラフニューラルネットワーク(STGNN)が提案され、近年大きな成果を上げている。 STGNNは、グラフニューラルネットワーク(GNN)と様々な時間学習手法を統合することで、複雑な時空間依存の抽出を可能にする。 本稿では,都市コンピューティングにおける予測学習におけるSTGNN技術の最近の進歩を包括的に調査する。 まず、時空間グラフデータの構築方法とSTGNNで広く使われているディープラーニングアーキテクチャについて簡単な紹介を行う。 次に、既存の文献に基づいて、主要なアプリケーションドメインと特定の予測学習タスクを分類する。 その後,STGNNの設計と,最近の先進技術の組み合わせについて検討する。 最後に,既存の研究の限界を結論し,今後の研究の方向性を提案する。

関連論文リスト

• WEST GCN-LSTM: Weighted Stacked Spatio-Temporal Graph Neural Networks for Regional Traffic Forecasting [0.8215320771752098]
  本研究の目的は,従来の時間的グラフニューラルネットワークアーキテクチャの拡張である。 エンドプロダクトは、WEST(Weighted STacked) GCN-LSTMと呼ばれる新しい時間グラフネットワークニューラルネットワークアーキテクチャである。
  論文  参考訳（メタデータ） (2024-05-01T15:19:19Z)
• Spatio-Temporal Few-Shot Learning via Diffusive Neural Network Generation [25.916891462152044]
  本稿では,都市知識伝達を伴う複雑な数ショット学習のための新しい生成事前学習フレームワークであるGPDを提案する。 我々は、プロンプトで導かれる調整されたニューラルネットワークを生成する生成拡散モデルを再放送する。 GPDは、トラフィック速度予測やクラウドフロー予測といったタスクのデータセットにおける最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2024-02-19T08:11:26Z)
• LasTGL: An Industrial Framework for Large-Scale Temporal Graph Learning [61.4707298969173]
  本稿では,共通時間グラフ学習アルゴリズムの統一的および統一的な実装を統合する産業用フレームワークであるLasTGLを紹介する。 LasTGLは、詳細なチュートリアルとともに、包括的な時間グラフデータセット、TGNNモデル、ユーティリティを提供する。
  論文  参考訳（メタデータ） (2023-11-28T08:45:37Z)
• ST-MLP: A Cascaded Spatio-Temporal Linear Framework with Channel-Independence Strategy for Traffic Forecasting [47.74479442786052]
  時空間グラフニューラルネットワーク(STGNN)に関する現在の研究は、しばしば複雑な設計を優先し、精度をわずかに向上させるだけで計算負荷を発生させる。 マルチ層パーセプトロン(MLP)モジュールと線形層のみをベースとした,簡潔な時空間モデルST-MLPを提案する。 実験の結果,ST-MLPは最先端STGNNと他のモデルよりも精度と計算効率の点で優れていた。
  論文  参考訳（メタデータ） (2023-08-14T23:34:59Z)
• A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [98.41798478488101]
  時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。 グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。 この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
  論文  参考訳（メタデータ） (2023-07-07T08:05:03Z)
• Graph Neural Network for spatiotemporal data: methods and applications [7.612070518526342]
  グラフニューラルネットワーク(GNN)は、互いに依存したデータを理解する強力なツールとして登場した。 本稿では、時間領域におけるGNNの技術と応用について概観する。
  論文  参考訳（メタデータ） (2023-05-30T02:27:17Z)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)
• Neural Architecture Search for Dense Prediction Tasks in Computer Vision [74.9839082859151]
  ディープラーニングは、ニューラルネットワークアーキテクチャエンジニアリングに対する需要の高まりにつながっている。 ニューラルネットワーク検索(NAS)は、手動ではなく、データ駆動方式でニューラルネットワークアーキテクチャを自動設計することを目的としている。 NASはコンピュータビジョンの幅広い問題に適用されている。
  論文  参考訳（メタデータ） (2022-02-15T08:06:50Z)
• Graph Neural Networks for Traffic Forecasting [0.0]
  本稿では,交通予測の課題に着目し,この問題に対するグラフニューラルネットワーク(GNN)の最近の開発と応用について概観する。 GNNは、入力を直接グラフデータとして処理する深層学習手法のクラスである。 これにより、トラフィックデータの空間的依存関係をより直接的に活用し、ディープラーニングの利点を利用して最先端の結果が得られます。
  論文  参考訳（メタデータ） (2021-04-27T10:39:00Z)
• Short-term Traffic Prediction with Deep Neural Networks: A Survey [2.9849405664643585]
  現代の交通システムでは、毎日大量の交通データが生成される。 これにより、短期交通予測(STTP)が急速に進歩した。 複雑な関係を持つトラフィックネットワークでは、最も重要な特徴やパターンを自動的に抽出できるため、ディープニューラルネットワーク(DNN)がよく機能することが多い。
  論文  参考訳（メタデータ） (2020-08-28T15:06:06Z)
• 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)

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。