論文の概要: Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction
- arxiv url: http://arxiv.org/abs/2305.00985v1
- Date: Mon, 1 May 2023 00:58:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 16:28:06.356110
- Title: Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction
- Title(参考訳): 交通予測のための注意に基づく時空間グラフニューラルネットワーク
- Authors: Weiheng Zhong, Hadi Meidani, Jane Macfarlane
- Abstract要約: 本稿では,交通システムの力学を明示的に学習するアテンションベースグラフニューラルODE(AST)を提案する。
本モデルでは,異なる期間のトラフィックパターンを集約し,実世界の2つのトラフィックデータセットに対して良好な性能を示す。
- 参考スコア(独自算出の注目度): 3.4806267677524896
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Traffic forecasting is an important issue in intelligent traffic systems
(ITS). Graph neural networks (GNNs) are effective deep learning models to
capture the complex spatio-temporal dependency of traffic data, achieving ideal
prediction performance. In this paper, we propose attention-based graph neural
ODE (ASTGODE) that explicitly learns the dynamics of the traffic system, which
makes the prediction of our machine learning model more explainable. Our model
aggregates traffic patterns of different periods and has satisfactory
performance on two real-world traffic data sets. The results show that our
model achieves the highest accuracy of the root mean square error metric among
all the existing GNN models in our experiments.
- Abstract(参考訳): 交通予測は知的交通システム(ITS)において重要な問題である。
グラフニューラルネットワーク(GNN)は、トラフィックデータの複雑な時空間依存性をキャプチャする効果的なディープラーニングモデルであり、理想的な予測性能を実現する。
本稿では,交通システムのダイナミクスを明示的に学習するアテンションベースグラフニューラルODE(ASTGODE)を提案する。
本モデルは,異なる期間のトラフィックパターンを集約し,実世界の2つのトラフィックデータセットに対して良好な性能を示す。
その結果,実験中の既存のgnnモデルにおいて,根平均二乗誤差測定の精度が最も高いことがわかった。
関連論文リスト
- STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural
Networks for Traffic Prediction [11.788940554505798]
本稿では,グラフ学習戦略と一般的なグラフ畳み込みアルゴリズムの体系的なレビューを行う。
次に、最近提案された空間時間グラフネットワークモデルの長所と短所を包括的に分析する。
ディープラーニングフレームワークPyTorchを用いたSTG4Trafficという研究を構築し,2種類のトラフィックデータセットに対して,標準化されたスケーラブルなベンチマークを確立する。
論文 参考訳(メタデータ) (2023-07-02T06:56:52Z) - Dynamic Causal Graph Convolutional Network for Traffic Prediction [19.759695727682935]
本稿では,時間変動動的ネットワークを組み込んだトラフィック予測手法を提案する。
次に、グラフ畳み込みネットワークを使用してトラフィック予測を生成します。
実交通データを用いた実験結果から,提案手法の予測性能が優れていることを示す。
論文 参考訳(メタデータ) (2023-06-12T10:46:31Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳(メタデータ) (2023-05-16T11:38:19Z) - 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) - A spatial-temporal short-term traffic flow prediction model based on
dynamical-learning graph convolution mechanism [0.0]
短期的な交通流予測は知的交通システム(ITS)の重要な分岐であり、交通管理において重要な役割を果たしている。
グラフ畳み込みネットワーク(GCN)は道路網のグラフィカルな構造データを扱うために交通予測モデルで広く利用されている。
この欠点に対処するために、新しい位置グラフ畳み込みネットワーク(Location-GCN)を提案する。
論文 参考訳(メタデータ) (2022-05-10T09:19:12Z) - Few-Shot Traffic Prediction with Graph Networks using Locale as
Relational Inductive Biases [7.173242326298134]
多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。
本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。
また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
論文 参考訳(メタデータ) (2022-03-08T09:46:50Z) - A Comparative Study on Basic Elements of Deep Learning Models for
Spatial-Temporal Traffic Forecasting [0.0]
交通予報はインテリジェント交通システムにおいて重要な役割を担っている。
最近提案されたディープラーニングモデルは、グラフ畳み込み、グラフアテンション、リカレントユニット、/またはアテンションメカニズムといった基本的な要素を共有している。
本研究では,異なる基本要素を利用する4つのディープニューラルネットワークモデルについて,詳細な比較研究を設計した。
論文 参考訳(メタデータ) (2021-11-15T03:20:23Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳(メタデータ) (2021-04-27T18:17:42Z) - Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。
本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。
特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
論文 参考訳(メタデータ) (2021-04-06T01:44:15Z) - Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。
本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。
モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文 参考訳(メタデータ) (2020-12-31T18:48:58Z) - 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。