Fugu-MT 論文翻訳(概要): Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction

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

A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
論文参考訳（メタデータ） (2024-06-02T05:41:25Z)
Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
論文参考訳（メタデータ） (2024-05-23T10:26:18Z)
A novel hybrid time-varying graph neural network for traffic flow forecasting [3.6623539239888556]
インテリジェント交通システムの効率化には,リアルタイムかつ正確な交通流予測が不可欠である。従来のグラフニューラルネットワーク(GNN)は、都市道路網における交通ノード間の空間的相関を記述するために用いられる。我々は交通流予測のための新しいハイブリッド時変グラフニューラルネットワーク(HTVGNN)を提案している。
論文参考訳（メタデータ） (2024-01-17T07:21:36Z)
STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural Networks for Traffic Prediction [9.467593700532401]
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)
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)
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。