論文の概要: Railway Network Delay Evolution: A Heterogeneous Graph Neural Network
Approach
- arxiv url: http://arxiv.org/abs/2303.15489v1
- Date: Mon, 27 Mar 2023 12:08:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 17:46:18.407400
- Title: Railway Network Delay Evolution: A Heterogeneous Graph Neural Network
Approach
- Title（参考訳）: 鉄道網の遅延進化 : 不均一グラフニューラルネットワークアプローチ
- Authors: Zhongcan Li, Ping Huang, Chao Wen, Filipe Rodrigues
- Abstract要約: 列車、列車、駅間の相互作用を捉え、異なるエッジに基づいて駅や他の駅間での遅延進化を捉えることを目的としている。
提案したSAGE-Hetモデルの性能とロバスト性をテストするために,中国鉄道網の2つのサブネットワークのデータを適用した。
- 参考スコア（独自算出の注目度）: 13.698723915277771
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Railway operations involve different types of entities (stations, trains,
etc.), making the existing graph/network models with homogenous nodes (i.e.,
the same kind of nodes) incapable of capturing the interactions between the
entities. This paper aims to develop a heterogeneous graph neural network
(HetGNN) model, which can address different types of nodes (i.e., heterogeneous
nodes), to investigate the train delay evolution on railway networks. To this
end, a graph architecture combining the HetGNN model and the GraphSAGE
homogeneous GNN (HomoGNN), called SAGE-Het, is proposed. The aim is to capture
the interactions between trains, trains and stations, and stations and other
stations on delay evolution based on different edges. In contrast to the
traditional methods that require the inputs to have constant dimensions (e.g.,
in rectangular or grid-like arrays) or only allow homogeneous nodes in the
graph, SAGE-Het allows for flexible inputs and heterogeneous nodes. The data
from two sub-networks of the China railway network are applied to test the
performance and robustness of the proposed SAGE-Het model. The experimental
results show that SAGE-Het exhibits better performance than the existing delay
prediction methods and some advanced HetGNNs used for other prediction tasks;
the predictive performances of SAGE-Het under different prediction time
horizons (10/20/30 min ahead) all outperform other baseline methods;
Specifically, the influences of train interactions on delay propagation are
investigated based on the proposed model. The results show that train
interactions become subtle when the train headways increase . This finding
directly contributes to decision-making in the situation where
conflict-resolution or train-canceling actions are needed.
- Abstract（参考訳）: 鉄道運用には、異なる種類のエンティティ(駅、列車など)が含まれており、既存のグラフ/ネットワークモデルと均質なノード(つまり同じノード)は、エンティティ間の相互作用を捉えることができない。
本稿では,鉄道網における列車遅延の進展を調べるために,異なる種類のノード(ヘテロジニアスノード)に対処できるヘテロジニアスグラフニューラルネットワーク(HetGNN)モデルを開発することを目的とする。
この目的のために,HetGNNモデルとGraphSAGE同種GNN(HomoGNN)を組み合わせたグラフアーキテクチャ(SAGE-Het)を提案する。
その目的は、列車、列車、駅、駅その他の駅間の相互作用を、異なるエッジに基づいて遅延進化で捉えることである。
入力が一定の次元(例えば長方形やグリッドのような配列)を持つか、グラフ内の均質なノードのみを許容する従来の方法とは対照的に、sage-hetは柔軟な入力と異種ノードを可能にする。
提案したSAGE-Hetモデルの性能とロバスト性をテストするために,中国鉄道網の2つのサブネットワークのデータを適用した。
実験結果から,SAGE-Hetは既存の遅延予測手法よりも優れた性能を示し,他の予測タスクに使用される高度HtGNNよりも優れた性能を示し,SAGE-Hetの予測性能(10/20/30分前)は他のベースライン法よりも優れており,特に,遅延伝搬に対する列車相互作用の影響について検討した。
その結果,列車の進路が増加すると列車間の相互作用が微妙になることがわかった。
この発見は、コンフリクト解決またはトレインキャンセルアクションが必要な状況における意思決定に直接貢献する。
関連論文リスト
- Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。
このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文 参考訳（メタデータ） (2023-12-16T14:09:23Z) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-15T08:17:18Z) - Spatial-Temporal Adaptive Graph Convolution with Attention Network for
Traffic Forecasting [4.1700160312787125]
交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。
まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。
第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
論文 参考訳（メタデータ） (2022-06-07T09:08:35Z) - PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting [4.14360329494344]
我々は、プログレッシブグラフ畳み込みネットワーク(PGCN)と呼ばれる新しいトラフィック予測フレームワークを提案する。
PGCNは、トレーニングおよびテストフェーズ中にオンライン入力データに段階的に適応することで、グラフのセットを構築する。
提案したモデルでは,すべてのデータセットの一貫性を保ちながら,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-02-18T02:15:44Z) - HiSTGNN: Hierarchical Spatio-temporal Graph Neural Networks for Weather
Forecasting [13.317147032467306]
複数の局における気象変数間の時間的相互相関をモデル化するためのグラフ階層時空間ニューラルネットワーク(HiSTGNN)を提案する。
3つの実世界の気象データセットの実験結果は、HiSTGNNが7つの基準線を超える優れた性能を示した。
特に最先端の天気予報法と比較して誤差を4.2%から11.6%に減らす。
論文 参考訳（メタデータ） (2022-01-22T17:30:46Z) - 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) - Graph Neural Networks with Parallel Neighborhood Aggregations for Graph
Classification [14.112444998191698]
グラフニューラルネットワーク(GNN)モデルを用いたグラフ分類に着目し、並列に配置された近傍グラフ演算子のバンクを用いてノード特徴をプリ計算する。
これらのGNNモデルには、事前計算によるトレーニングと推論時間の削減という自然な利点がある。
本研究は,様々な実世界のデータセット上で,開発モデルが最先端の性能を達成することを数値実験により実証する。
論文 参考訳（メタデータ） (2021-11-22T19:19:40Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳（メタデータ） (2021-07-27T19:47:53Z) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳（メタデータ） (2020-10-05T04:57:18Z) - Multivariate Time Series Forecasting with Transfer Entropy Graph [5.179058210068871]
我々はニューラルグランガー因果性(CauGNN)を用いた新しいエンドツーエンドディープラーニングモデル、グラフニューラルネットワークを提案する。
各変数はグラフノードと見なされ、各エッジは変数間のカジュアルな関係を表す。
提案したCauGNNを評価するために,実世界の3つのベンチマークデータセットが使用されている。
論文 参考訳（メタデータ） (2020-05-03T20:51:00Z) - 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。