論文の概要: Dynamic Frequency Domain Graph Convolutional Network for Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2312.11933v1
• Date: Tue, 19 Dec 2023 08:20:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 16:38:59.619797
• Title: Dynamic Frequency Domain Graph Convolutional Network for Traffic Forecasting
• Title（参考訳）: トラフィック予測のための動的周波数領域グラフ畳み込みネットワーク
• Authors: Yujie Li, Zezhi Shao, Yongjun Xu, Qiang Qiu, Zhaogang Cao, Fei Wang
• Abstract要約: ランダム要因による交通パターンと騒音の時間変化は、データ駆動型空間依存モデリングを妨げている。 本研究では,空間依存性を捉えるために,新しい動的周波数領域グラフ畳み込みネットワーク(DFDGCN)を提案する。 実世界の4つのデータセットの実験において,本モデルは有効であり,ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 33.538633286142264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex spatial dependencies in transportation networks make traffic prediction extremely challenging. Much existing work is devoted to learning dynamic graph structures among sensors, and the strategy of mining spatial dependencies from traffic data, known as data-driven, tends to be an intuitive and effective approach. However, Time-Shift of traffic patterns and noise induced by random factors hinder data-driven spatial dependence modeling. In this paper, we propose a novel dynamic frequency domain graph convolution network (DFDGCN) to capture spatial dependencies. Specifically, we mitigate the effects of time-shift by Fourier transform, and introduce the identity embedding of sensors and time embedding when capturing data for graph learning since traffic data with noise is not entirely reliable. The graph is combined with static predefined and self-adaptive graphs during graph convolution to predict future traffic data through classical causal convolutions. Extensive experiments on four real-world datasets demonstrate that our model is effective and outperforms the baselines.
• Abstract（参考訳）: 交通ネットワークにおける複雑な空間依存は、交通予測を極めて困難にする。 既存の作業の多くはセンサー間の動的グラフ構造を学習することに集中しており、データ駆動と呼ばれる交通データから空間依存をマイニングする戦略は直感的で効果的なアプローチである。 しかし、ランダム要因による交通パターンや騒音の時間変化は、データ駆動型空間依存モデリングを妨げている。 本稿では,空間依存性を捉えるために,新しい動的周波数領域グラフ畳み込みネットワーク(DFDGCN)を提案する。 具体的には,フーリエ変換による時間シフトの影響を緩和し,ノイズを伴うトラヒックデータが完全に信頼できないため,グラフ学習のためのデータ取得時にセンサのアイデンティティ埋め込みと時間埋め込みを導入する。 このグラフは、グラフ畳み込み中の静的な事前定義グラフと自己適応グラフを組み合わせて、古典的な因果畳み込みを通じて将来のトラフィックデータを予測する。 4つの実世界のデータセットに対する大規模な実験により、我々のモデルは有効であり、ベースラインより優れています。

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)
• 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)
• A Dynamic Temporal Self-attention Graph Convolutional Network for Traffic Prediction [7.23135508361981]
  本稿では,隣接する行列をトレーニング可能なアテンションスコア行列とする時間自己アテンショングラフ畳み込みネットワーク(DT-SGN)モデルを提案する。 実世界の交通データセット上での最先端モデル駆動モデルとデータ駆動モデルよりも,本手法の方が優れていることを示す実験を行った。
  論文  参考訳（メタデータ） (2023-02-21T03:51:52Z)
• 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)
• Decoupled Dynamic Spatial-Temporal Graph Neural Network for Traffic Forecasting [27.82230529014677]
  道路網における交通状況を予測する能力は重要な機能であり、課題である。 近年の時空間グラフニューラルネットワークの提案は,交通データにおける複雑な時空間相関のモデル化において大きな進歩を遂げている。 本稿では,データ駆動方式で拡散と固有トラフィック情報を分離する分散空間時間フレームワーク(DSTF)を提案する。
  論文  参考訳（メタデータ） (2022-06-18T04:14:38Z)
• CDGNet: A Cross-Time Dynamic Graph-based Deep Learning Model for Traffic Forecasting [7.169972421976212]
  トラフィック予測のための新しいクロスタイム動的グラフベースディープラーニングモデルCDGNetを提案する。 本研究では,実世界の空間的相関をスパースする時間的動的グラフをスパースするゲーティング機構を設計する。
  論文  参考訳（メタデータ） (2021-12-06T01:56:07Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• 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)
• 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)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。