論文の概要: DSTCGCN: Learning Dynamic Spatial-Temporal Cross Dependencies for Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2307.00518v1
• Date: Sun, 2 Jul 2023 08:53:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-05 15:35:38.261593
• Title: DSTCGCN: Learning Dynamic Spatial-Temporal Cross Dependencies for Traffic Forecasting
• Title（参考訳）: DSTCGCN:交通予測のための動的空間的時間的相互依存の学習
• Authors: Binqing Wu, Ling Chen
• Abstract要約: 本研究では,動的空間依存と時間依存を協調的に学習する動的時空間グラフ畳み込みネットワークを提案する。 6つの実世界のデータセットの実験は、DSTCGCNが最先端のパフォーマンスを達成することを示した。
• 参考スコア（独自算出の注目度）: 7.3669718660909735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic forecasting is essential to intelligent transportation systems, which is challenging due to the complicated spatial and temporal dependencies within a road network. Existing works usually learn spatial and temporal dependencies separately, ignoring the dependencies crossing spatial and temporal dimensions. In this paper, we propose DSTCGCN, a dynamic spatial-temporal cross graph convolution network to learn dynamic spatial and temporal dependencies jointly via graphs for traffic forecasting. Specifically, we introduce a fast Fourier transform (FFT) based attentive selector to choose relevant time steps for each time step based on time-varying traffic data. Given the selected time steps, we introduce a dynamic cross graph construction module, consisting of the spatial graph construction, temporal connection graph construction, and fusion modules, to learn dynamic spatial-temporal cross dependencies without pre-defined priors. Extensive experiments on six real-world datasets demonstrate that DSTCGCN achieves the state-of-the-art performance.
• Abstract（参考訳）: 交通予測は、道路網内の複雑な空間的および時間的依存関係のため、インテリジェント交通システムにとって不可欠である。 既存の作業は通常、空間的および時間的依存関係を別々に学習し、空間的および時間的次元を渡る依存関係を無視します。 本稿では,交通予測のためのグラフを通して動的空間的および時間的依存関係を協調的に学習する動的時空間グラフ畳み込みネットワークDSTCGCNを提案する。 具体的には,時間変動トラヒックデータに基づいて時間ステップ毎に関連する時間ステップを選択するために,高速フーリエ変換(fft)に基づく注意セレクタを導入する。 選択した時間ステップを前提として,空間グラフ構築,時間接続グラフ構築,融合モジュールからなる動的クロスグラフ構築モジュールを導入し,事前定義された事前定義なしに動的空間-時間的クロス依存関係を学習する。 6つの実世界のデータセットに対する大規模な実験は、DSTCGCNが最先端のパフォーマンスを達成することを示した。

関連論文リスト

• Linear Attention is Enough in Spatial-Temporal Forecasting [0.0]
  本稿では,道路ネットワークにおけるノードを独立した時空間トークンとして扱うことを提案する。 次に、それらをバニラ変換器に入力して、複雑な時空間パターンを学習します。 我々のコードは、手頃な計算コストで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-08-17T10:06:50Z)
• Dynamic Graph Convolutional Network with Attention Fusion for Traffic Flow Prediction [10.3426659705376]
  本稿では,同期時空間相関をモデル化するための注意融合型動的グラフ畳み込みネットワークを提案する。 我々は、4つの実世界の交通データセットにおいて、我々の手法が18のベースライン法と比較して最先端の性能を上回ることを示す広範な実験を行った。
  論文  参考訳（メタデータ） (2023-02-24T12:21:30Z)
• 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)
• Spatial-Temporal Graph Convolutional Gated Recurrent Network for Traffic Forecasting [3.9761027576939414]
  時空間グラフ畳み込みGated Recurrent Network (STGCGRN) という,トラフィック予測のための新しいフレームワークを提案する。 交通データ中の周期的な情報をマイニングすることで、長期依存を捕捉するアテンションモジュールを設計する。 4つのデータセットの実験は、我々のモデルの優れた性能を示している。
  論文  参考訳（メタデータ） (2022-10-06T08:02:20Z)
• D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
  本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。 実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
  論文  参考訳（メタデータ） (2022-07-21T10:19:07Z)
• CDGNet: A Cross-Time Dynamic Graph-based Deep Learning Model for Traffic Forecasting [7.169972421976212]
  トラフィック予測のための新しいクロスタイム動的グラフベースディープラーニングモデルCDGNetを提案する。 本研究では,実世界の空間的相関をスパースする時間的動的グラフをスパースするゲーティング機構を設計する。
  論文  参考訳（メタデータ） (2021-12-06T01:56:07Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• 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)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。