論文の概要: A Sparse Cross Attention-based Graph Convolution Network with Auxiliary Information Awareness for Traffic Flow Prediction

• arxiv url: http://arxiv.org/abs/2312.09050v1
• Date: Thu, 14 Dec 2023 15:48:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-15 21:13:21.209364
• Title: A Sparse Cross Attention-based Graph Convolution Network with Auxiliary Information Awareness for Traffic Flow Prediction
• Title（参考訳）: トラヒックフロー予測のための補助情報を考慮した分散クロス注意型グラフ畳み込みネットワーク
• Authors: Lingqiang Chen, Qinglin Zhao, Guanghui Li, Mengchu Zhou, Chenglong Dai, and Yiming Feng
• Abstract要約: この研究はAIMSANというディープエンコーダデコーダモデルを提案する。 補助情報認識モジュール(AIM)とスパースクロスアテンションベースのグラフ畳み込みネットワーク(SAN)を含んでいる。 提案手法は最先端のアルゴリズムと競合する性能を持つが、GPUメモリ使用量の35.74%、トレーニング時間の42.25%、検証時間の45.51%を節約できる。
• 参考スコア（独自算出の注目度）: 41.66129197681683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep graph convolution networks (GCNs) have recently shown excellent performance in traffic prediction tasks. However, they face some challenges. First, few existing models consider the influence of auxiliary information, i.e., weather and holidays, which may result in a poor grasp of spatial-temporal dynamics of traffic data. Second, both the construction of a dynamic adjacent matrix and regular graph convolution operations have quadratic computation complexity, which restricts the scalability of GCN-based models. To address such challenges, this work proposes a deep encoder-decoder model entitled AIMSAN. It contains an auxiliary information-aware module (AIM) and sparse cross attention-based graph convolution network (SAN). The former learns multi-attribute auxiliary information and obtains its embedded presentation of different time-window sizes. The latter uses a cross-attention mechanism to construct dynamic adjacent matrices by fusing traffic data and embedded auxiliary data. Then, SAN applies diffusion GCN on traffic data to mine rich spatial-temporal dynamics. Furthermore, AIMSAN considers and uses the spatial sparseness of traffic nodes to reduce the quadratic computation complexity. Experimental results on three public traffic datasets demonstrate that the proposed method outperforms other counterparts in terms of various performance indices. Specifically, the proposed method has competitive performance with the state-of-the-art algorithms but saves 35.74% of GPU memory usage, 42.25% of training time, and 45.51% of validation time on average.
• Abstract（参考訳）: ディープグラフ畳み込みネットワーク(GCN)は,最近,交通予測タスクにおいて優れた性能を示した。 しかし、いくつかの課題に直面している。 まず、気象や休日といった補助的な情報の影響を考慮するモデルはほとんどなく、交通データの空間的時間的ダイナミクスの把握が不十分になる可能性がある。 第二に、動的隣接行列の構築と正規グラフ畳み込み演算は2次計算の複雑さを持ち、GCNベースのモデルのスケーラビリティを制限する。 このような課題に対処するため、AIMSANというディープエンコーダデコーダモデルを提案する。 補助情報認識モジュール(AIM)とスパースクロスアテンションベースのグラフ畳み込みネットワーク(SAN)を含んでいる。 前者は多属性補助情報を学び、異なる時間ウィンドウサイズの組込みプレゼンテーションを取得する。 後者は、トラヒックデータと組込み補助データを用いて動的に隣接する行列を構築するためにクロスアテンション機構を使用する。 次に、SANは交通データに拡散GCNを適用し、豊かな時空間ダイナミクスをマイニングする。 さらに、AIMSANは2次計算の複雑さを低減するために、トラフィックノードの空間スパース性を考慮して利用する。 3つのパブリックトラヒックデータセットの実験結果は、提案手法が様々なパフォーマンス指標で他の手法よりも優れていることを示している。 具体的には、最先端アルゴリズムと競合する性能を持つが、gpuメモリ使用量の35.74%、トレーニング時間42.25%、検証時間45.51%を節約できる。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Graph Construction with Flexible Nodes for Traffic Demand Prediction [44.1996864038085]
  本稿では,自由フローティング交通モードに適したグラフ構築手法を提案する。 グラフ内のノードのフレキシブルな位置決めを決定するために,新しい密度ベースクラスタリングアルゴリズム (HDPC-L) を提案する。 深セン自転車シェアリングデータセットとハイコウライドシェアリングデータセットの2つの実世界のデータセットに関する総合的な実験は、この手法がモデルの性能を大幅に改善することを示している。
  論文  参考訳（メタデータ） (2024-03-01T04:38:51Z)
• 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)
• STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural Networks for Traffic Prediction [9.467593700532401]
  本稿では,グラフ学習戦略と一般的なグラフ畳み込みアルゴリズムの体系的なレビューを行う。 次に、最近提案された空間時間グラフネットワークモデルの長所と短所を包括的に分析する。 ディープラーニングフレームワークPyTorchを用いたSTG4Trafficという研究を構築し,2種類のトラフィックデータセットに対して,標準化されたスケーラブルなベンチマークを確立する。
  論文  参考訳（メタデータ） (2023-07-02T06:56:52Z)
• 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)
• 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)
• Spatial-Temporal Adaptive Graph Convolution with Attention Network for Traffic Forecasting [4.1700160312787125]
  交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。 まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。 第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
  論文  参考訳（メタデータ） (2022-06-07T09:08:35Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• 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。