論文の概要: Revisiting Random Forests in a Comparative Evaluation of Graph
Convolutional Neural Network Variants for Traffic Prediction
- arxiv url: http://arxiv.org/abs/2305.19292v1
- Date: Tue, 30 May 2023 00:50:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-01 20:25:29.615411
- Title: Revisiting Random Forests in a Comparative Evaluation of Graph
Convolutional Neural Network Variants for Traffic Prediction
- Title（参考訳）: 交通予測のためのグラフ畳み込みニューラルネットワークバリアントの比較評価におけるランダムフォレストの再検討
- Authors: Ta Jiun Ting, Xiaocan Li, Scott Sanner, Baher Abdulhai
- Abstract要約: グラフ畳み込みニューラルネットワーク(GCNN)が交通予測の文献において主流となっている。
本稿では,GCNN予測モデルの成功要素を分類し,その性能に及ぼす因子化,注意機構,体重共有の影響を解析する。
- 参考スコア（独自算出の注目度）: 15.248412426672694
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Traffic prediction is a spatiotemporal predictive task that plays an
essential role in intelligent transportation systems. Today, graph
convolutional neural networks (GCNNs) have become the prevailing models in the
traffic prediction literature since they excel at extracting spatial
correlations. In this work, we classify the components of successful GCNN
prediction models and analyze the effects of matrix factorization, attention
mechanism, and weight sharing on their performance. Furthermore, we compare
these variations against random forests, a traditional regression method that
predates GCNNs by over 15 years. We evaluated these methods using simulated
data of two regions in Toronto as well as real-world sensor data from selected
California highways. We found that incorporating matrix factorization,
attention, and location-specific model weights either individually or
collectively into GCNNs can result in a better overall performance. Moreover,
although random forest regression is a less compact model, it matches or
exceeds the performance of all variations of GCNNs in our experiments. This
suggests that the current graph convolutional methods may not be the best
approach to traffic prediction and there is still room for improvement.
Finally, our findings also suggest that for future research on GCNN for traffic
prediction to be credible, researchers must include performance comparison to
random forests.
- Abstract（参考訳）: 交通予測は、知的輸送システムにおいて不可欠な役割を果たす時空間予測タスクである。
今日、グラフ畳み込みニューラルネットワーク(gcnns)は、空間相関の抽出に優れているため、トラフィック予測文献において一般的なモデルとなっている。
本研究では, 成功したgcnn予測モデルの構成要素を分類し, 行列因子化, 注意機構, 重み付けが性能に及ぼす影響を分析した。
さらに,これらの変化を,GCNNが15年以上前に遡る従来の回帰手法であるランダム林と比較した。
これらの手法をトロントの2つの地域のシミュレーションデータと、選択したカリフォルニア州道からの現実世界のセンサデータを用いて評価した。
行列分解,注意,位置特化モデルの重み付けをGCNNに個別にあるいは一括して組み込むことで,全体的な性能が向上することがわかった。
さらに, ランダムフォレスト回帰はよりコンパクトなモデルであるが, 実験におけるgcnnの全てのバリエーションの性能に匹敵するか, 以上である。
これは、現在のグラフ畳み込み手法がトラフィック予測の最良のアプローチではなく、改善の余地があることを示している。
最後に,GCNNによる交通予測の信頼性に関する今後の研究には,無作為林との比較を含める必要があることを示唆した。
関連論文リスト
- Leveraging graph neural networks and mobility data for COVID-19 forecasting [37.9506001142702]
新型コロナウイルス(COVID-19)のパンデミックはこれまでに700万人以上の犠牲者を出した。
移動データと機械学習を組み合わせた時空間モデルが病気予測に注目を集めている。
ここでは、GCRN(Graph Convolutional Recurrent Network)とGTM(Graph Convolutional Long ShortTerm Memory)について検討する。
目標は、人間の移動ネットワークを活用して、ブラジルと中国の新型コロナウイルス感染者の将来の価値を予測することである。
論文 参考訳（メタデータ） (2025-01-20T19:52:31Z) - Synthetic Trajectory Generation Through Convolutional Neural Networks [6.717469146587211]
RTCT(Reversible Trajectory-to-CNN Transformation)を導入する。
RTCTは、軌跡をCNNベースのモデルに適したフォーマットに適合させる。
我々は、RNNに基づく軌道GANに対して、その性能を評価する。
論文 参考訳（メタデータ） (2024-07-24T02:16:52Z) - Learning to Reweight for Graph Neural Network [63.978102332612906]
グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。
既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。
本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
論文 参考訳（メタデータ） (2023-12-19T12:25:10Z) - 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) - Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。
このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。
本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-20T18:57:18Z) - 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) - Shift-Robust GNNs: Overcoming the Limitations of Localized Graph
Training data [52.771780951404565]
Shift-Robust GNN (SR-GNN) は、バイアス付きトレーニングデータとグラフの真の推論分布の分布差を考慮に入れた設計である。
SR-GNNが他のGNNベースラインを精度良く上回り、バイアス付きトレーニングデータから生じる負の効果の少なくとも40%を排除していることを示す。
論文 参考訳（メタデータ） (2021-08-02T18:00:38Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:17:42Z) - Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。
提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
論文 参考訳（メタデータ） (2020-06-07T07:06:35Z) - Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。
現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。
これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文 参考訳（メタデータ） (2020-06-04T08:00:00Z)
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。