論文の概要: Regional Correlation Aided Mobile Traffic Prediction with Spatiotemporal
Deep Learning
- arxiv url: http://arxiv.org/abs/2312.06279v1
- Date: Mon, 11 Dec 2023 10:33:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 16:06:29.070030
- Title: Regional Correlation Aided Mobile Traffic Prediction with Spatiotemporal
Deep Learning
- Title(参考訳): 時空間深層学習による移動交通予測支援地域相関
- Authors: JeongJun Park, Lusungu J. Mwasinga, Huigyu Yang, Syed M. Raza, Duc-Tai
Le, Moonseong Kim, Min Young Chung and Hyunseung Choo
- Abstract要約: 本稿では,日々のモバイルピークトラフィック時間と,新しい複数時間畳み込みネットワークの戦略と,長期記憶モデルを組み合わせたモバイルトラフィック予測手法を提案する。
大規模実世界のモバイルトラフィックデータに関する実験では,提案手法の有効性と有効性を確認した最先端の研究と比較して,最大28%の性能向上が見られた。
- 参考スコア(独自算出の注目度): 4.4959908420821675
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mobile traffic data in urban regions shows differentiated patterns during
different hours of the day. The exploitation of these patterns enables highly
accurate mobile traffic prediction for proactive network management. However,
recent Deep Learning (DL) driven studies have only exploited spatiotemporal
features and have ignored the geographical correlations, causing high
complexity and erroneous mobile traffic predictions. This paper addresses these
limitations by proposing an enhanced mobile traffic prediction scheme that
combines the clustering strategy of daily mobile traffic peak time and novel
multi Temporal Convolutional Network with a Long Short Term Memory (multi
TCN-LSTM) model. The mobile network cells that exhibit peak traffic during the
same hour of the day are clustered together. Our experiments on large-scale
real-world mobile traffic data show up to 28% performance improvement compared
to state-of-the-art studies, which confirms the efficacy and viability of the
proposed approach.
- Abstract(参考訳): 都市部の移動交通データは、異なる時間帯に異なるパターンを示す。
これらのパターンの活用により、アクティブネットワーク管理のための高精度なモバイルトラフィック予測が可能となる。
しかし、近年のDeep Learning (DL) による研究は時空間的特徴のみを利用しており、地理的相関を無視しており、複雑で誤った移動トラフィック予測を引き起こしている。
本稿では,日々のモバイルトラフィックピーク時のクラスタリング戦略と,新しい複数時間畳み込みネットワークと,長期記憶(複数TN-LSTM)モデルを組み合わせたモバイルトラフィック予測手法を提案する。
1日の同じ時間にピークトラフィックを示すモバイルネットワークセルがクラスタ化される。
大規模実世界のモバイルトラフィックデータに関する実験では,提案手法の有効性と有効性を確認した最先端の研究と比較して28%の性能向上が見られた。
関連論文リスト
- 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) - Multi-graph Spatio-temporal Graph Convolutional Network for Traffic Flow
Prediction [0.5551832942032954]
毎日の交通量予測は、ネットワーク全体の料金所で依然として課題に直面している。
本稿では,流路時間深度学習による日中交通流ハイウェイ領域の相関予測手法を提案する。
本手法は,ビジネスにおけるベースラインや実践的利益よりも予測精度が向上したことを示す。
論文 参考訳(メタデータ) (2023-08-10T14:20:43Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2023-06-15T14:50:27Z) - Adaptive Hybrid Spatial-Temporal Graph Neural Network for Cellular
Traffic Prediction [19.88734776818291]
本稿では,携帯電話のトラフィック予測問題に対処するための新しいディープラーニングネットワークアーキテクチャを提案する。
まず、適応型ハイブリッドグラフ学習を用いて、セルタワー間の複合空間相関を学習する。
第2に、非線形時間依存を捉えるために、多周期時間データ入力を備えた時間的畳み込みモジュールを実装した。
論文 参考訳(メタデータ) (2023-02-28T06:46:50Z) - 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) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - STCGAT: Spatial-temporal causal networks for complex urban road traffic
flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。
既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。
本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文 参考訳(メタデータ) (2022-03-21T06:38:34Z) - Adaptive Multi-receptive Field Spatial-Temporal Graph Convolutional
Network for Traffic Forecasting [0.0]
本稿では,移動基地局のトラフィック動態をモデル化するための新しいディープラーニングネットワークアーキテクチャを提案する。
4つの実世界のデータセットの実験では、AMF-STGCNは最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2021-11-01T06:47:42Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳(メタデータ) (2020-12-25T01:40:29Z) - TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network
for Traffic Flow Forecasting [41.87633457352356]
本稿では,ネットワークのグローバル性と局所性に着目したニューラルネットワークモデルを提案する。
2つの実世界のデータセットの実験により、このモデルが交通データの空間的時間的相関を精査できることが示されている。
論文 参考訳(メタデータ) (2020-11-30T09:21:43Z) - 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。