論文の概要: Adaptive Graph Convolution Networks for Traffic Flow Forecasting

• arxiv url: http://arxiv.org/abs/2307.05517v1
• Date: Fri, 7 Jul 2023 09:55:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-16 03:23:17.272465
• Title: Adaptive Graph Convolution Networks for Traffic Flow Forecasting
• Title（参考訳）: トラヒックフロー予測のための適応グラフ畳み込みネットワーク
• Authors: Zhengdao Li, Wei Li, and Kai Hwang
• Abstract要約: グラフニューラルネットワーク(GNN)におけるこの問題に対処する新しい適応グラフ畳み込みネットワーク(AGC-net)を提案する。 AGC-netは、新しいコンテキストアテンション機構に基づいて、Adaptive Graph Convolution (AGC)によって構築される。 2つのパブリックトラフィックデータセットの実験結果から,AGC-netの有効性が示された。
• 参考スコア（独自算出の注目度）: 4.398745005061698
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic flow forecasting is a highly challenging task due to the dynamic spatial-temporal road conditions. Graph neural networks (GNN) has been widely applied in this task. However, most of these GNNs ignore the effects of time-varying road conditions due to the fixed range of the convolution receptive field. In this paper, we propose a novel Adaptive Graph Convolution Networks (AGC-net) to address this issue in GNN. The AGC-net is constructed by the Adaptive Graph Convolution (AGC) based on a novel context attention mechanism, which consists of a set of graph wavelets with various learnable scales. The AGC transforms the spatial graph representations into time-sensitive features considering the temporal context. Moreover, a shifted graph convolution kernel is designed to enhance the AGC, which attempts to correct the deviations caused by inaccurate topology. Experimental results on two public traffic datasets demonstrate the effectiveness of the AGC-net\footnote{Code is available at: https://github.com/zhengdaoli/AGC-net} which outperforms other baseline models significantly.
• Abstract（参考訳）: 交通流予測は動的時空間道路条件のために非常に困難な課題である。 グラフニューラルネットワーク(GNN)がこのタスクに広く適用されている。 しかし、これらのGNNのほとんどは、畳み込み受容場の固定範囲による時間変化の道路条件の影響を無視している。 本稿では,この問題に対処する新しい適応グラフ畳み込みネットワーク(AGC-net)を提案する。 AGC-netは、様々な学習可能なスケールのグラフウェーブレットからなる新しいコンテキストアテンション機構に基づいて、Adaptive Graph Convolution (AGC)によって構築される。 AGCは、時間的文脈を考慮した空間グラフ表現を時間感性特徴に変換する。 さらに、シフトグラフ畳み込みカーネルは、不正確なトポロジーに起因する偏差を補正しようとするagcを強化するために設計されている。 AGC-net\footnote{Codeが利用可能であることを示す2つの公開トラフィックデータセットの実験結果は、以下の通りである。

関連論文リスト

• Graph Condensation for Open-World Graph Learning [48.38802327346445]
  グラフ凝縮(GC)は、グラフニューラルネットワーク(GNN)を効率的に訓練するための有望な加速ソリューションとして登場した。 既存のGCメソッドは、単に観測された静的グラフ分布と凝縮グラフの整合性に制限される。 しかし、現実のシナリオでは、グラフは動的で常に進化しており、新しいノードとエッジが継続的に統合されている。 グラフパターンの進化をシミュレートするために構造対応分散シフトを統合する,堅牢なGCフレームワークであるOpenGCを提案する。
  論文  参考訳（メタデータ） (2024-05-27T09:47:09Z)
• Adaptive Least Mean Squares Graph Neural Networks and Online Graph Signal Estimation [3.6448362316632115]
  時間変化グラフ信号のオンライン推定のための効率的なニューラルネットワークアーキテクチャを提案する。 Adaptive Least Mean Squares Graph Neural Networks (LMS-GNN)は、適応グラフフィルタとグラフニューラルネットワーク(GNN)の組み合わせである。 実世界の温度データを用いて実験したところ,我々のLMS-GNNはグラフベースの手法よりも正確なオンライン予測を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-01-27T05:47:12Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Attention-based Dynamic Graph Convolutional Recurrent Neural Network for Traffic Flow Prediction in Highway Transportation [0.6650227510403052]
  高速道路交通における交通流予測を改善するために,注意に基づく動的グラフ畳み込みリカレントニューラルネットワーク(ADG-N)を提案する。 グラフ畳み込み演算のオーバーフィッティングを低減するために、高い相対ノードを強調する専用ゲートカーネルが完全なグラフ上に導入された。
  論文  参考訳（メタデータ） (2023-09-13T13:57:21Z)
• A Multidimensional Graph Fourier Transformation Neural Network for Vehicle Trajectory Prediction [9.554569082679151]
  本研究は,高速道路における長期軌跡予測のための多次元グラフフーリエ変換ニューラルネットワーク(GFTNN)を提案する。 グラフニューラルネットワーク(GNN)と同様に、GFTNNはグラフ構造を扱う新しいアーキテクチャである。 実験と評価には、公開データセット highD と NGSIM が使用される。
  論文  参考訳（メタデータ） (2023-05-12T12:36:48Z)
• Spatial-Temporal Adaptive Graph Convolution with Attention Network for Traffic Forecasting [4.1700160312787125]
  交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。 まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。 第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
  論文  参考訳（メタデータ） (2022-06-07T09:08:35Z)
• Learning to Drop: Robust Graph Neural Network via Topological Denoising [50.81722989898142]
  グラフニューラルネットワーク(GNN)のロバスト性および一般化性能を向上させるために,パラメータ化トポロジカルデノイングネットワークであるPTDNetを提案する。 PTDNetは、パラメータ化されたネットワークでスパーシファイドグラフ内のエッジ数をペナル化することで、タスク非関連エッジを創出する。 PTDNetはGNNの性能を著しく向上させ,さらにノイズの多いデータセットでは性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-11-13T18:53:21Z)
• 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)
• Graph Highway Networks [77.38665506495553]
  グラフ畳み込みネットワーク(GCN)は、グラフ表現の有効性と効率性から、グラフ表現の学習に広く利用されている。 彼らは、多くの層が積み重ねられたとき、学習された表現が類似したベクトルに収束するという悪名高い過度に滑らかな問題に悩まされる。 本稿では,GCN学習プロセスにおける均一性と不均一性との間のトレードオフのバランスをとるため,ゲーティングユニットを利用したグラフハイウェイネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-09T16:26:43Z)
• Gated Graph Recurrent Neural Networks [176.3960927323358]
  グラフ処理の一般的な学習フレームワークとしてグラフリカレントニューラルネットワーク(GRNN)を導入する。 勾配の消失問題に対処するため,時間,ノード,エッジゲートの3つの異なるゲーティング機構でGRNNを前進させた。 数値的な結果は、GRNNがGNNやRNNよりも優れており、グラフプロセスの時間構造とグラフ構造の両方を考慮することが重要であることを示している。
  論文  参考訳（メタデータ） (2020-02-03T22:35:14Z)

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。