論文の概要: Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2306.09386v1
- Date: Thu, 15 Jun 2023 14:50:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 16:25:25.484209
- Title: Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting
- Title（参考訳）: 交通予測のための適応階層型時空間ネットワーク
- Authors: Yirong Chen, Ziyue Li, Wanli Ouyang, Michael Lepech
- Abstract要約: 本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
- 参考スコア（独自算出の注目度）: 70.66710698485745
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate traffic forecasting is vital to intelligent transportation systems,
which are widely adopted to solve urban traffic issues. Existing traffic
forecasting studies focus on modeling spatial-temporal dynamics in traffic
data, among which the graph convolution network (GCN) is at the center for
exploiting the spatial dependency embedded in the road network graphs. However,
these GCN-based methods operate intrinsically on the node level (e.g., road and
intersection) only whereas overlooking the spatial hierarchy of the whole city.
Nodes such as intersections and road segments can form clusters (e.g.,
regions), which could also have interactions with each other and share
similarities at a higher level. In this work, we propose an Adaptive
Hierarchical SpatioTemporal Network (AHSTN) to promote traffic forecasting by
exploiting the spatial hierarchy and modeling multi-scale spatial correlations.
Apart from the node-level spatiotemporal blocks, AHSTN introduces the adaptive
spatiotemporal downsampling module to infer the spatial hierarchy for
spatiotemporal modeling at the cluster level. Then, an adaptive spatiotemporal
upsampling module is proposed to upsample the cluster-level representations to
the node-level and obtain the multi-scale representations for generating
predictions. Experiments on two real-world datasets show that AHSTN achieves
better performance over several strong baselines.
- Abstract（参考訳）: 正確な交通予測は、都市交通問題を解決するために広く採用されているインテリジェント交通システムにとって不可欠である。
既存の交通予測研究は、道路網グラフに埋め込まれた空間依存を活用すべく、グラフ畳み込みネットワーク(gcn)が中心となる交通データの空間-時間ダイナミクスのモデル化に焦点を当てている。
しかし、これらのGCNベースの手法は、都市全体の空間的階層を見渡す一方で、本質的にはノードレベル(例えば道路と交差点)でのみ動作する。
交差点や道路セグメントのようなノードはクラスタ(例えば、リージョン)を形成し、互いに相互作用し、より高いレベルで類似性を共有することができる。
本研究では,空間的階層化とマルチスケール空間相関のモデル化により交通予測を促進する適応階層型時空間ネットワーク(AHSTN)を提案する。
ノードレベルの時空間ブロックとは別に、AHSTNはクラスタレベルの時空間モデリングのための空間階層を推論する適応時空間サンプリングモジュールを導入している。
次に,適応時空間アップサンプリングモジュールを提案し,クラスタレベルの表現をノードレベルにアップサンプリングし,予測を生成するためのマルチスケール表現を得る。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - Traffic Prediction considering Multiple Levels of Spatial-temporal Information: A Multi-scale Graph Wavelet-based Approach [3.343804744266258]
本研究では,複雑な交通ネットワークにおける交通状態を予測するためのグラフウェーブレット時間畳み込みネットワーク(MSGWTCN)を提案する。
シアトルのハイウェイネットワークやニューヨーク市マンハッタンの高密度道路ネットワークなど、モデルのパフォーマンスを調べるために、2つの実世界のデータセットが使用されている。
論文 参考訳（メタデータ） (2024-06-18T20:05:47Z) - Spatial-Temporal Hypergraph Neural Network for Traffic Forecasting [14.885921562410564]
STHODE: S-Temporal Hypergraph Neural Ordinary Differential Equation Networkを提案する。
ロードネットワークトポロジとトラフィックダイナミクスを組み合わせて、トラフィックデータの高次時間依存性をキャプチャする。
4つの実世界の交通データセットを用いて実験を行い,提案モデルの有効性を実証した。
論文 参考訳（メタデータ） (2023-10-24T13:49:13Z) - 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) - Continuous-Time and Multi-Level Graph Representation Learning for
Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。
状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。
北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文 参考訳（メタデータ） (2022-06-30T03:37:50Z) - Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network [39.65520262751766]
我々は新しい交通予測フレームワーク-時空間グラフ拡散ネットワーク(ST-GDN)を開発した。
特にST-GDNは階層的に構造化されたグラフニューラルネットワークアーキテクチャであり、局所的な地域的な地理的依存関係だけでなく、グローバルな視点から空間的意味論も学習する。
複数の実生活トラフィックデータセットの実験では、ST-GDNは最先端のベースラインの異なるタイプよりも優れていることが示されている。
論文 参考訳（メタデータ） (2021-10-08T11:19:06Z) - SST-GNN: Simplified Spatio-temporal Traffic forecasting model using
Graph Neural Network [2.524966118517392]
我々は,SST-GNN(SST-GNN)を簡易に設計し,異なる地区を個別に集約することで依存性を効果的に符号化した。
我々は,本モデルが3つの実環境トラフィックデータセットの最先端モデルよりも大幅に優れていることを示した。
論文 参考訳（メタデータ） (2021-03-31T18:28:44Z) - Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph
Convolutional Networks [110.80088437391379]
SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。
深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。
その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
論文 参考訳（メタデータ） (2021-03-13T06:56:29Z) - Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow
Forecasting [35.072979313851235]
交通流の空間的-時間的データ予測は複雑な空間的依存性と道路間の時間的パターンの動的傾向のために難しい課題である。
既存のフレームワークは通常、与えられた空間隣接グラフと、空間的および時間的相関をモデル化する洗練されたメカニズムを利用する。
本稿では,交通流予測のための空間時間融合グラフニューラルネットワーク(STFGNN)を提案する。
論文 参考訳（メタデータ） (2020-12-15T14:03:17Z) - 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。