論文の概要: Message Passing Neural Networks for Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2305.05740v1
• Date: Tue, 9 May 2023 19:33:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-11 15:35:40.014546
• Title: Message Passing Neural Networks for Traffic Forecasting
• Title（参考訳）: 交通予測のためのメッセージパッシングニューラルネットワーク
• Authors: Arian Prabowo, Hao Xue, Wei Shao, Piotr Koniusz, Flora D. Salim
• Abstract要約: 道路の将来の速度が様々な要因に依存するため、交通予測は複雑であるため興味深い。 既存の作業は、GNNのメッセージパスのフレーバーを使用していないため、ノード間のインタラクションをキャプチャできない。 実世界のデータから、交通予測におけるメッセージ通過フレーバーの優位性を示す。
• 参考スコア（独自算出の注目度）: 32.354251863295424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A road network, in the context of traffic forecasting, is typically modeled as a graph where the nodes are sensors that measure traffic metrics (such as speed) at that location. Traffic forecasting is interesting because it is complex as the future speed of a road is dependent on a number of different factors. Therefore, to properly forecast traffic, we need a model that is capable of capturing all these different factors. A factor that is missing from the existing works is the node interactions factor. Existing works fail to capture the inter-node interactions because none are using the message-passing flavor of GNN, which is the one best suited to capture the node interactions This paper presents a plausible scenario in road traffic where node interactions are important and argued that the most appropriate GNN flavor to capture node interactions is message-passing. Results from real-world data show the superiority of the message-passing flavor for traffic forecasting. An additional experiment using synthetic data shows that the message-passing flavor can capture inter-node interaction better than other flavors.
• Abstract（参考訳）: 道路ネットワークは、トラフィック予測の文脈では通常、ノードがその場所の交通メトリクス(速度など)を測定するセンサーであるグラフとしてモデル化される。 道路の将来の速度は様々な要因に依存するため、交通予測は複雑であるため興味深い。 したがって、トラフィックを適切に予測するには、これらの異なる要因をすべて把握できるモデルが必要である。 既存の作業から欠けている要因は、ノードの相互作用係数である。 本稿では,ノード間通信において,ノード間通信が重要となる道路交通において,GNNのメッセージパッシングフレーバーが最適であることを示すとともに,ノード間通信に最も適したGNNフレーバーがメッセージパッシングであることを論じる。 実世界のデータから、交通予測におけるメッセージ通過フレーバーの優位性を示す。 合成データを用いた別の実験では、メッセージパスするフレーバーは他のフレーバーよりもノード間の相互作用を捉えることができる。

関連論文リスト

• Heterogeneous Graph Sequence Neural Networks for Dynamic Traffic Assignment [5.205252810216621]
  グラフニューラルネットワークを利用するような既存のトラフィック予測アプローチは、通常はセンサロケーションに限られる。 異種時空間グラフシーケンスネットワーク(HSTG)を提案する。 HSTGは、たとえ長距離であっても、オリジンノードと宛先ノード間の依存性を利用して、オリジン決定要求の下で暗黙の車両経路選択を学習する。
  論文  参考訳（メタデータ） (2024-08-07T23:41:09Z)
• BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
  従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。 本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。 本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
  論文  参考訳（メタデータ） (2024-03-08T04:19:56Z)
• FDTI: Fine-grained Deep Traffic Inference with Roadnet-enriched Graph [10.675666104503119]
  本稿では,詳細な深部交通推論をedIと呼ぶ。 道路間の関係をモデル化するために,交通信号に基づくきめ細かい交通グラフを構築した。 私たちは、都市レベルのきめ細かい交通予測を最初に実施しました。
  論文  参考訳（メタデータ） (2023-06-19T14:03:42Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• STCGAT: Spatial-temporal causal networks for complex urban road traffic flow prediction [12.223433627287605]
  交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。 既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。 本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-21T06:38:34Z)
• Interaction-Based Trajectory Prediction Over a Hybrid Traffic Graph [4.574413934477815]
  本稿では,トラフィックアクタと静的および動的トラフィック要素の両方をノードが表現するハイブリッドグラフを提案する。 アクターとトラフィック要素間の時間的相互作用(例えば、停止と移動)の異なるモードは、グラフエッジによって明示的にモデル化される。 提案するモデルであるTrafficGraphNetは,高いレベルの解釈性を維持しつつ,最先端の軌道予測精度を実現する。
  論文  参考訳（メタデータ） (2020-09-27T18:20:03Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• SkipGNN: Predicting Molecular Interactions with Skip-Graph Networks [70.64925872964416]
  分子間相互作用の予測のためのグラフニューラルネットワークSkipGNNを提案する。 SkipGNNは直接相互作用からの情報だけでなく、二階相互作用からも情報を収集することで分子間相互作用を予測する。 また,SkipGNNは,既存の手法を最大28.8%上回り,優れた,堅牢な性能を実現していることを示す。
  論文  参考訳（メタデータ） (2020-04-30T16:55:58Z)
• 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。