論文の概要: End-to-End Heterogeneous Graph Neural Networks for Traffic Assignment
- arxiv url: http://arxiv.org/abs/2310.13193v3
- Date: Wed, 16 Oct 2024 22:19:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-18 13:16:10.482716
- Title: End-to-End Heterogeneous Graph Neural Networks for Traffic Assignment
- Title（参考訳）: トラフィック割り当てのためのエンド・ツー・エンド不均一グラフニューラルネットワーク
- Authors: Tong Liu, 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て、トラフィック割り当てのための新しいエンドツーエンドサロゲートモデルを提案する。
本モデルでは,アダプティブグラフアテンション機構と,原点-終点ノードペアを接続する補助的な"仮想"リンクを統合する。
提案するヘテロジニアスグラフニューラルネットワークモデルは,収束率や予測精度の観点から,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。
- 参考スコア（独自算出の注目度）: 5.205252810216621
- License:
- 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 end-to-end surrogate model for traffic assignment, specifically user equilibrium traffic assignment problems. Our model integrates an adaptive graph attention mechanism with auxiliary "virtual" links connecting origin-destination node pairs, This integration enables the model to capture spatial traffic patterns across different links, By incorporating the node-based flow conservation law into the overall loss function, the model ensures the prediction results in compliance with flow conservation principles, resulting in highly accurate predictions for both link flow and flow-capacity ratios. 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 and prediction accuracy. Notably, by introducing two different training strategies, 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のための新しいエンドツーエンドサロゲートモデル、特にユーザ均衡トラフィック割り当て問題を提案する。
本モデルでは,ノードベースのフロー保存法則を全体の損失関数に組み込むことで,フロー保存原理に従って予測結果を確実にし,リンクフローとフローキャパシティ比の両方を高精度に予測する。
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と予測精度の点で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、2つの異なるトレーニング戦略を導入することで、提案した異種グラフニューラルネットワークモデルを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、複雑な交通流の分析と予測のための有望なソリューションを提供し、幅広い交通システムの理解と管理を強化する。
関連論文リスト
- Heterogeneous Graph Sequence Neural Networks for Dynamic Traffic Assignment [5.205252810216621]
グラフニューラルネットワークを利用するような既存のトラフィック予測アプローチは、通常はセンサロケーションに限られる。
異種時空間グラフシーケンスネットワーク(HSTG)を提案する。
HSTGは、たとえ長距離であっても、オリジンノードと宛先ノード間の依存性を利用して、オリジン決定要求の下で暗黙の車両経路選択を学習する。
論文 参考訳（メタデータ） (2024-08-07T23:41:09Z) - A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。
モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
論文 参考訳（メタデータ） (2024-06-02T05:41:25Z) - Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。
我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。
本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-03-18T18:01:01Z) - 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) - 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) - Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。
EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-05T02:31:01Z) - Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。
我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文 参考訳（メタデータ） (2021-06-15T09:03:28Z) - 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) - Dynamic Hierarchical Mimicking Towards Consistent Optimization
Objectives [73.15276998621582]
一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。
DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。
カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
論文 参考訳（メタデータ） (2020-03-24T09:56:13Z)
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。