論文の概要: Counterfactual Graph Transformer for Traffic Flow Prediction

• arxiv url: http://arxiv.org/abs/2308.00391v1
• Date: Tue, 1 Aug 2023 09:12:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-02 14:52:18.154903
• Title: Counterfactual Graph Transformer for Traffic Flow Prediction
• Title（参考訳）: 交通流予測のためのグラフ変換器
• Authors: Ying Yang, Kai Du, Xingyuan Dai, and Jianwu Fang
• Abstract要約: 既存のトラフィックフロー予測手法では、データセットからバイアスパターンを継承する傾向があり、解釈性に欠ける。 実例レベルの説明器(重要な部分グラフを見つけるなど)を用いたグラフ変換モデルを提案する。 我々は,CGTが信頼性の高い説明を作成でき,交通流予測に期待できることを示す。
• 参考スコア（独自算出の注目度）: 8.104461240718226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic flow prediction (TFP) is a fundamental problem of the Intelligent Transportation System (ITS), as it models the latent spatial-temporal dependency of traffic flow for potential congestion prediction. Recent graph-based models with multiple kinds of attention mechanisms have achieved promising performance. However, existing methods for traffic flow prediction tend to inherit the bias pattern from the dataset and lack interpretability. To this end, we propose a Counterfactual Graph Transformer (CGT) model with an instance-level explainer (e.g., finding the important subgraphs) specifically designed for TFP. We design a perturbation mask generator over input sensor features at the time dimension and the graph structure on the graph transformer module to obtain spatial and temporal counterfactual explanations. By searching the optimal perturbation masks on the input data feature and graph structures, we can obtain the concise and dominant data or graph edge links for the subsequent TFP task. After re-training the utilized graph transformer model after counterfactual perturbation, we can obtain improved and interpretable traffic flow prediction. Extensive results on three real-world public datasets show that CGT can produce reliable explanations and is promising for traffic flow prediction.
• Abstract（参考訳）: 交通流予測 (TFP) は知的交通システム(ITS)の基本的問題であり,交通流の時空間依存性を潜在的混雑予測のためにモデル化する。 近年,多種類の注意機構を備えたグラフモデルが有望な性能を達成している。 しかし、既存のトラフィックフロー予測手法では、データセットからバイアスパターンを継承し、解釈性に欠ける傾向にある。 そこで,本稿では,tfp用に特別に設計されたインスタンスレベルの説明器(例えば,重要な部分グラフを見つける)を用いた,対置グラフトランスフォーマー(cgt)モデルを提案する。 時間次元の入力センサ機能とグラフトランスフォーマタモジュール上のグラフ構造に乗じて摂動マスク生成器を設計し,空間的および時間的反事実的説明を得る。 入力データ特徴量とグラフ構造に最適な摂動マスクを探索することで、後続のtfpタスクの簡潔で支配的なデータやグラフエッジリンクを得ることができる。 対向摂動後のグラフトランスフォーマモデルの再訓練を行った結果,改良され解釈可能なトラヒックフロー予測が得られる。 実世界の3つの公開データセットの大規模な結果は、CGTが信頼できる説明を生成でき、トラフィックフロー予測に期待できることを示している。

関連論文リスト

• A Multi-Channel Spatial-Temporal Transformer Model for Traffic Flow Forecasting [0.0]
  交通流予測のための多チャンネル時空間変圧器モデルを提案する。 トラフィックデータの異なるチャネルから結果を抽出することにより、予測の精度を向上させる。 6つの実世界のデータセットの実験結果から,時間モデルにマルチチャネル機構を導入することにより,性能が向上することが示された。
  論文  参考訳（メタデータ） (2024-05-10T06:37:07Z)
• Deep Prompt Tuning for Graph Transformers [55.2480439325792]
  ファインチューニングはリソース集約型であり、大きなモデルのコピーを複数保存する必要がある。 ファインチューニングの代替として,ディープグラフプロンプトチューニングと呼ばれる新しい手法を提案する。 事前学習したパラメータを凍結し、追加したトークンのみを更新することにより、フリーパラメータの数を減らし、複数のモデルコピーを不要にする。
  論文  参考訳（メタデータ） (2023-09-18T20:12:17Z)
• 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)
• Dynamic Causal Graph Convolutional Network for Traffic Prediction [19.759695727682935]
  本稿では,時間変動動的ネットワークを組み込んだトラフィック予測手法を提案する。 次に、グラフ畳み込みネットワークを使用してトラフィック予測を生成します。 実交通データを用いた実験結果から,提案手法の予測性能が優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-12T10:46:31Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• 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)
• 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)
• PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting [4.14360329494344]
  我々は、プログレッシブグラフ畳み込みネットワーク(PGCN)と呼ばれる新しいトラフィック予測フレームワークを提案する。 PGCNは、トレーニングおよびテストフェーズ中にオンライン入力データに段階的に適応することで、グラフのセットを構築する。 提案したモデルでは,すべてのデータセットの一貫性を保ちながら,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-02-18T02:15:44Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• 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)
• Spatial-Temporal Tensor Graph Convolutional Network for Traffic Prediction [46.762437988118386]
  本稿では,交通速度予測に対処する空間時間グラフ畳み込みネットワークを提案する。 計算負荷を軽減するために、タッカーテンソル分解を行い、テンソル畳み込みを導出する。 2つの実世界の交通速度データセットの実験は、従来の交通予測方法よりも効果的な方法を示しています。
  論文  参考訳（メタデータ） (2021-03-10T15:28:07Z)

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。