論文の概要: Heterogeneous Graph Neural Networks for Data-driven Traffic Assignment
- arxiv url: http://arxiv.org/abs/2310.13193v1
- Date: Thu, 19 Oct 2023 23:04:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 01:06:11.069884
- Title: Heterogeneous Graph Neural Networks for Data-driven Traffic Assignment
- Title(参考訳): データ駆動トラフィック割り当てのためのヘテロジニアスグラフニューラルネットワーク
- Authors: Tong Liu and Hadi Meidani
- Abstract要約: 我々は、異種グラフニューラルネットワークのパワーを活用し、トラフィック割り当てとトラフィックフロー学習のための新しいデータ駆動アプローチを提案する。
提案モデルでは,異なるリンク間の空間的トラフィックパターンをキャプチャし,高精度な結果が得られる。
- 参考スコア(独自算出の注目度): 6.149316647127476
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The traffic assignment problem is one of the significant components of
traffic flow analysis for which various solution approaches have been proposed.
However, deploying these approaches for large-scale networks poses significant
challenges. In this paper, we leverage the power of heterogeneous graph neural
networks to propose a novel data-driven approach for traffic assignment and
traffic flow learning. The proposed model is capable of capturing spatial
traffic patterns across different links, yielding highly accurate results. We
present numerical experiments on urban transportation networks and show that
the proposed heterogeneous graph neural network model outperforms other
conventional neural network models in terms of convergence rate, training loss,
and prediction accuracy. Notably, the proposed heterogeneous graph neural
network model can also be generalized to different network topologies. This
approach offers a promising solution for complex traffic flow analysis and
prediction, enhancing our understanding and management of a wide range of
transportation systems.
- Abstract(参考訳): 交通割当問題は,様々な解法が提案されている交通流解析における重要な要素の1つである。
しかし、これらのアプローチを大規模ネットワークに展開することは大きな課題となる。
本稿では、異種グラフニューラルネットワークのパワーを活用し、トラフィック割り当てとトラフィックフロー学習のための新しいデータ駆動型アプローチを提案する。
提案モデルでは,異なるリンク間の空間的トラフィックパターンをキャプチャし,高精度な結果が得られる。
都市交通ネットワークに関する数値実験を行い,提案した異種グラフニューラルネットワークモデルが,収束率,トレーニング損失,予測精度において,従来のニューラルネットワークモデルよりも優れていることを示す。
特に、提案した異種グラフニューラルネットワークモデルは、異なるネットワークトポロジに一般化することもできる。
このアプローチは、複雑な交通の流れの分析と予測に有望なソリューションを提供し、幅広い輸送システムの理解と管理を強化します。
関連論文リスト
- Dynamic Hypergraph Structure Learning for Traffic Flow Forecasting [35.0288931087826]
交通流予測は、過去のネットワークと交通条件に基づいて将来の交通状況を予測することを目的としている。
この問題は、遠時ニューラルネットワーク(GNN)を用いた交通データにおける複雑な時間相関をモデル化することによって、典型的に解決される。
既存の手法は、近隣情報を線形に集約するメッセージパッシングのパラダイムに従っている。
本稿では,交通流予測のための動的ハイパー構造学習(DyHSL)モデルを提案する。
論文 参考訳(メタデータ) (2023-09-21T12:44:55Z) - 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) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳(メタデータ) (2022-09-23T05:24:18Z) - Hierarchical Graph Pooling is an Effective Citywide Traffic Condition
Prediction Model [1.321203201549798]
本稿では,2つの階層的なグラフプーリング手法を交通予測タスクに適用し,グラフ情報の冗長性を低減する。
階層的なグラフプーリング法は、予測性能において他のベースラインと対比される。
上記のグラフニューラルネットワークでは,異なるグラフネットワーク入力がトラフィック予測精度に与える影響を比較検討する。
論文 参考訳(メタデータ) (2022-09-08T08:12:35Z) - LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。
LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
論文 参考訳(メタデータ) (2022-03-24T03:31:18Z) - Few-Shot Traffic Prediction with Graph Networks using Locale as
Relational Inductive Biases [7.173242326298134]
多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。
本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。
また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
論文 参考訳(メタデータ) (2022-03-08T09:46:50Z) - Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic
Flow Patterns Using a Graph Convolutional Neural Network [1.3706331473063877]
本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。
モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
論文 参考訳(メタデータ) (2022-02-21T19:45:15Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳(メタデータ) (2020-07-18T01:11:14Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳(メタデータ) (2020-07-08T21:23:19Z) - 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。