論文の概要: HUTFormer: Hierarchical U-Net Transformer for Long-Term Traffic
Forecasting
- arxiv url: http://arxiv.org/abs/2307.14596v1
- Date: Thu, 27 Jul 2023 02:43:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 15:59:03.453168
- Title: HUTFormer: Hierarchical U-Net Transformer for Long-Term Traffic
Forecasting
- Title(参考訳): HUTFormer: 長期トラフィック予測のための階層型U-Netトランス
- Authors: Zezhi Shao, Fei Wang, Zhao Zhang, Yuchen Fang, Guangyin Jin, Yongjun
Xu
- Abstract要約: 我々は,例えば1日間の予測など,長期の交通予測を探求する最初の試みを行っている。
本稿では,長期交通予測の問題に対処する新しい階層型U-netトランスフォーマーを提案する。
提案したHUTFormerは、最先端のトラフィック予測と長時間の時系列予測ベースラインを大きく上回っている。
- 参考スコア(独自算出の注目度): 13.49661832917228
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic forecasting, which aims to predict traffic conditions based on
historical observations, has been an enduring research topic and is widely
recognized as an essential component of intelligent transportation. Recent
proposals on Spatial-Temporal Graph Neural Networks (STGNNs) have made
significant progress by combining sequential models with graph convolution
networks. However, due to high complexity issues, STGNNs only focus on
short-term traffic forecasting, e.g., 1-hour forecasting, while ignoring more
practical long-term forecasting. In this paper, we make the first attempt to
explore long-term traffic forecasting, e.g., 1-day forecasting. To this end, we
first reveal its unique challenges in exploiting multi-scale representations.
Then, we propose a novel Hierarchical U-net TransFormer (HUTFormer) to address
the issues of long-term traffic forecasting. HUTFormer consists of a
hierarchical encoder and decoder to jointly generate and utilize multi-scale
representations of traffic data. Specifically, for the encoder, we propose
window self-attention and segment merging to extract multi-scale
representations from long-term traffic data. For the decoder, we design a
cross-scale attention mechanism to effectively incorporate multi-scale
representations. In addition, HUTFormer employs an efficient input embedding
strategy to address the complexity issues. Extensive experiments on four
traffic datasets show that the proposed HUTFormer significantly outperforms
state-of-the-art traffic forecasting and long time series forecasting
baselines.
- Abstract(参考訳): 交通予報は歴史観測に基づく交通状況の予測を目的としており,知的交通の重要な構成要素として広く認識されている。
空間時間グラフニューラルネットワーク(STGNN)に関する最近の提案は、逐次モデルとグラフ畳み込みネットワークを組み合わせることで大きな進歩を遂げている。
しかし、複雑な問題が多いため、STGNNは短期的な交通予測(例えば1時間予測)のみに焦点を当て、より実用的な長期予測を無視している。
本稿では,1日間の予測など,長期交通予測の最初の試みを行う。
この目的のために,我々はまず,マルチスケール表現の活用におけるユニークな課題を明らかにする。
次に, 長期交通予測問題に対処するために, 階層型u-netトランス(hutformer)を提案する。
hutformerは階層エンコーダとデコーダで構成され、トラフィックデータのマルチスケール表現を共同で生成し活用する。
具体的には,長期間のトラヒックデータからマルチスケール表現を抽出するため,ウィンドウの自己アテンションとセグメントマージを提案する。
マルチスケール表現を効果的に組み込むためのクロススケールアテンション機構をデコーダに設計する。
さらに、HUTFormerは複雑な問題に対処するために効率的な入力埋め込み戦略を採用している。
4つのトラヒックデータセットに関する広範囲な実験により、hutformerは最先端のトラフィック予測と長期時系列予測ベースラインを大きく上回っていることが示された。
関連論文リスト
- 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) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳(メタデータ) (2023-12-04T07:39:05Z) - Spatio-Temporal Graph Neural Point Process for Traffic Congestion Event
Prediction [16.530361912832763]
本稿では,交通渋滞イベント予測のための時間グラフニューラルポイントプロセスフレームワークSTNPPを提案する。
提案手法は,既存の最先端手法と比較して優れた性能を実現する。
論文 参考訳(メタデータ) (2023-11-15T01:22:47Z) - FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure
Graph Perspective [48.00240550685946]
現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。
提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。
7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
論文 参考訳(メタデータ) (2023-11-10T17:13:26Z) - 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) - Similarity-based Feature Extraction for Large-scale Sparse Traffic
Forecasting [4.295541562380963]
NeurIPS 2022 Traffic4cast チャレンジは、公共に利用可能なスパースループ数データで都市全体の交通状態を予測することを目的としている。
この技術報告は、ETA予測の拡張課題に対して、私たちの2位獲得ソリューションを紹介します。
論文 参考訳(メタデータ) (2022-11-13T22:19:21Z) - Explainable Graph Pyramid Autoformer for Long-Term Traffic Forecasting [3.5908670236727933]
我々は,新しいピラミッド自己相関アテンション機構を用いた,説明可能な注意に基づく時空間グラフニューラルネットワークを開発した。
我々のモデルは、いくつかの最先端手法よりも、最大で35%の長期交通予測精度を達成できる。
論文 参考訳(メタデータ) (2022-09-27T02:31:06Z) - 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) - PSTN: Periodic Spatial-temporal Deep Neural Network for Traffic
Condition Prediction [8.255993195520306]
本稿では,交通条件の予測性能を改善するために,周期的深部ニューラルネットワーク(PSTN)を3つのモジュールで提案する。
まず、歴史交通情報を折り畳み、グラフ畳み込みネットワークと時間畳み込みネットワークからなるモジュールに供給する。
論文 参考訳(メタデータ) (2021-08-05T07:42:43Z) - Learning dynamic and hierarchical traffic spatiotemporal features with
Transformer [4.506591024152763]
本稿では,空間時間グラフモデリングと長期交通予測のための新しいモデルであるTraffic Transformerを提案する。
Transformerは自然言語処理(NLP)で最も人気のあるフレームワークです。
注目重量行列を解析すれば 道路網の 影響力のある部分を見つけられる 交通網をよりよく学べる
論文 参考訳(メタデータ) (2021-04-12T02:29:58Z) - 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)
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。