Fugu-MT 論文翻訳(概要): Improving Traffic Density Forecasting in Intelligent Transportation Systems Using Gated Graph Neural Networks

論文の概要: Improving Traffic Density Forecasting in Intelligent Transportation Systems Using Gated Graph Neural Networks

arxiv url: http://arxiv.org/abs/2310.17729v1
Date: Thu, 26 Oct 2023 18:40:28 GMT
ステータス: 処理完了
システム内更新日: 2023-10-30 16:02:00.771610
Title: Improving Traffic Density Forecasting in Intelligent Transportation Systems Using Gated Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークを用いたインテリジェント交通システムにおける交通密度予測の改善
Authors: Razib Hayat Khan, Jonayet Miah, S M Yasir Arafat, M M Mahbubul Syeed, Duc M Ca
Abstract要約: Gated Graph Neural Networks (GGNN) は最低のRMSEを9.15で、印象的な7.1のMAEを示し、それらを最前線と位置づけている。 GCNはRMSEが9.10、MAEが8.00、GraphSAGEはRMSEが8.3、MAEが7.5である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study delves into the application of graph neural networks in the realm of traffic forecasting, a crucial facet of intelligent transportation systems. Accurate traffic predictions are vital for functions like trip planning, traffic control, and vehicle routing in such systems. Three prominent GNN architectures Graph Convolutional Networks (Graph Sample and Aggregation) and Gated Graph Neural Networks are explored within the context of traffic prediction. Each architecture's methodology is thoroughly examined, including layer configurations, activation functions,and hyperparameters. The primary goal is to minimize prediction errors, with GGNNs emerging as the most effective choice among the three models. The research outlines outcomes for each architecture, elucidating their predictive performance through root mean squared error and mean absolute error (MAE). Hypothetical results reveal intriguing insights: GCNs display an RMSE of 9.10 and an MAE of 8.00, while GraphSAGE shows improvement with an RMSE of 8.3 and an MAE of 7.5. Gated Graph Neural Networks (GGNNs) exhibit the lowest RMSE at 9.15 and an impressive MAE of 7.1, positioning them as the frontrunner.
Abstract（参考訳）: この研究は、インテリジェント交通システムにおいて重要な側面である交通予測の領域におけるグラフニューラルネットワークの適用について検討する。正確な交通予測は、旅行計画、交通制御、車両のルーティングといった機能にとって不可欠である。グラフ畳み込みネットワーク(グラフサンプルとアグリゲーション)とゲートグラフニューラルネットワークの3つの著名なgnnアーキテクチャが、トラフィック予測のコンテキストで検討されている。各アーキテクチャの方法論は、レイヤ構成、アクティベーション関数、ハイパーパラメータなど、徹底的に検討されている。主な目標は予測エラーを最小限に抑えることであり、ggnnは3つのモデルの中で最も効果的な選択となっている。この研究は各アーキテクチャの結果を概説し、ルート平均二乗誤差と平均絶対誤差(MAE)を通して予測性能を解明する。 gcns は rmse を 9.10 と mae を 8.00 と表示し、graphsage は rmse を 8.3 と 7.5 で改善している。 Gated Graph Neural Networks (GGNN) は最低のRMSEを9.15で、印象的な7.1のMAEを示し、それらを最前線と位置づけている。

関連論文リスト

Graph Pruning Based Spatial and Temporal Graph Convolutional Network with Transfer Learning for Traffic Prediction [0.0]
本研究では,グラフプルーニングと転送学習の枠組みに基づく新しい時空間畳み込みネットワーク(TL-GPSTGN)を提案する。その結果、単一のデータセット上でのTL-GPSTGNの異常な予測精度と、異なるデータセット間の堅牢なマイグレーション性能が示された。
論文参考訳（メタデータ） (2024-09-25T00:59:23Z)
Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
論文参考訳（メタデータ） (2024-05-23T10:26:18Z)
DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文参考訳（メタデータ） (2023-05-22T10:29:52Z)
Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction [3.4806267677524896]
本稿では,交通システムの力学を明示的に学習するアテンションベースグラフニューラルODE(AST)を提案する。本モデルでは,異なる期間のトラフィックパターンを集約し,実世界の2つのトラフィックデータセットに対して良好な性能を示す。
論文参考訳（メタデータ） (2023-05-01T00:58:48Z)
MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文参考訳（メタデータ） (2022-08-21T15:12:08Z)
Anomal-E: A Self-Supervised Network Intrusion Detection System based on Graph Neural Networks [0.0]
本稿では,自己教師型ネットワーク侵入と異常検出のためのグラフニューラルネットワーク(GNN)の応用について検討する。 GNNは、グラフ構造を学習に組み込んだグラフベースのデータのためのディープラーニングアプローチである。本稿では, エッジ特徴とグラフトポロジ構造を利用したGNNによる侵入・異常検出手法であるAnomal-Eを提案する。
論文参考訳（メタデータ） (2022-07-14T10:59:39Z)
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)
Graph Neural Network for Traffic Forecasting: A Survey [1.1977931648859175]
本稿では,交通予測問題に対するグラフニューラルネットワークの適用を探求する,初めての総合的な調査である。我々は,各問題と今後の研究方向性について,オープンデータとソースリソースのコレクションを提示する。また、最新の論文、オープンデータ、およびソースリソースを更新するための公開Githubリポジトリも作成しました。
論文参考訳（メタデータ） (2021-01-27T02:35:41Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)
Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。