Fugu-MT 論文翻訳(概要): A Survey on Graph Neural Networks in Intelligent Transportation Systems

論文の概要: A Survey on Graph Neural Networks in Intelligent Transportation Systems

arxiv url: http://arxiv.org/abs/2401.00713v2
Date: Tue, 2 Jan 2024 05:01:25 GMT
ステータス: 処理完了
システム内更新日: 2024-01-03 16:08:27.488653
Title: A Survey on Graph Neural Networks in Intelligent Transportation Systems
Title（参考訳）: インテリジェント輸送システムにおけるグラフニューラルネットワークに関する研究
Authors: Hourun Li, Yusheng Zhao, Zhengyang Mao, Yifang Qin, Zhiping Xiao, Jiaqi Feng, Yiyang Gu, Wei Ju, Xiao Luo, Ming Zhang
Abstract要約: グラフニューラルネットワーク(GNN)は、2019年以来、ITS分野において高い競争力を持つ方法として現れてきた。本稿では,交通予測,自動運転車,交通信号制御,交通安全,需要予測,駐車場管理の6つの領域におけるGNNの適用状況について検討する。
参考スコア（独自算出の注目度）: 11.863528235605457
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Intelligent Transportation System (ITS) is vital in improving traffic congestion, reducing traffic accidents, optimizing urban planning, etc. However, due to the complexity of the traffic network, traditional machine learning and statistical methods are relegated to the background. With the advent of the artificial intelligence era, many deep learning frameworks have made remarkable progress in various fields and are now considered effective methods in many areas. As a deep learning method, Graph Neural Networks (GNNs) have emerged as a highly competitive method in the ITS field since 2019 due to their strong ability to model graph-related problems. As a result, more and more scholars pay attention to the applications of GNNs in transportation domains, which have shown excellent performance. However, most of the research in this area is still concentrated on traffic forecasting, while other ITS domains, such as autonomous vehicles and urban planning, still require more attention. This paper aims to review the applications of GNNs in six representative and emerging ITS domains: traffic forecasting, autonomous vehicles, traffic signal control, transportation safety, demand prediction, and parking management. We have reviewed extensive graph-related studies from 2018 to 2023, summarized their methods, features, and contributions, and presented them in informative tables or lists. Finally, we have identified the challenges of applying GNNs to ITS and suggested potential future directions.
Abstract（参考訳）: 知的交通システム(ITS)は,交通渋滞の改善,交通事故の低減,都市計画の最適化等に不可欠である。しかし、交通ネットワークの複雑さのため、従来の機械学習と統計手法は背景に委ねられている。人工知能時代が到来すると、さまざまな分野で多くのディープラーニングフレームワークが著しく進歩し、現在では多くの分野で効果的な方法と考えられている。ディープラーニングの手法として、グラフニューラルネットワーク(GNN)は、グラフ関連の問題をモデル化する強力な能力のため、2019年以降、ITS分野において高い競争力を持つ方法として登場した。その結果、より多くの学者が輸送分野におけるgnnの応用に注意を払っており、優れた性能を示している。しかし、この地域のほとんどの研究は依然として交通予測に集中しているが、自動運転車や都市計画など他の分野にも注目が集まっている。本稿では,交通予測,自動運転車,交通信号制御,交通安全,需要予測,駐車場管理の6つの領域におけるGNNの適用状況について検討する。 2018年から2023年にかけて,広範なグラフ関連研究をレビューし,その方法,特徴,貢献を要約した。最後に、GNNをITSに適用する際の課題を特定し、将来的な方向性を提案する。

関連論文リスト

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)
Smart Traffic Management of Vehicles using Faster R-CNN based Deep Learning Method [0.0]
本研究では,より高速なR-CNNに基づく深層学習手法を車両のセグメンテーションに向けて検討する。計算フレームワークは適応的背景モデリングのアイデアを使用する。実験結果は,この計算フレームワークの優位性を示している。
論文参考訳（メタデータ） (2023-11-03T05:30:13Z)
Vision Paper: Causal Inference for Interpretable and Robust Machine Learning in Mobility Analysis [71.2468615993246]
インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
論文参考訳（メタデータ） (2022-10-18T17:28:58Z)
Intelligent Traffic Monitoring with Hybrid AI [78.65479854534858]
マルチモーダルコンテキスト理解のためのニューロシンボリックアーキテクチャであるHANSを紹介する。 HANSが交通監視に関わる課題にどのように対処するかを示すとともに,幅広い推論手法と統合可能であることを示す。
論文参考訳（メタデータ） (2022-08-31T17:47:22Z)
Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文参考訳（メタデータ） (2022-05-28T03:11:48Z)
Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
論文参考訳（メタデータ） (2022-03-09T21:08:47Z)
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)
A Hybrid Physics Machine Learning Approach for Macroscopic Traffic State Estimation [20.716261308570555]
本稿では,革新的なトラフィック状態推定フレームワークを提案する。入力として、交通センサからの限られた情報を使用し、正確でフルフィールドで推定された交通状況を構築する。実験の結果,提案手法は実地交通情報を正確に推定できることが証明された。
論文参考訳（メタデータ） (2022-02-01T06:04:18Z)
Graph Neural Networks for Traffic Forecasting [0.0]
本稿では,交通予測の課題に着目し,この問題に対するグラフニューラルネットワーク(GNN)の最近の開発と応用について概観する。 GNNは、入力を直接グラフデータとして処理する深層学習手法のクラスである。これにより、トラフィックデータの空間的依存関係をより直接的に活用し、ディープラーニングの利点を利用して最先端の結果が得られます。
論文参考訳（メタデータ） (2021-04-27T10:39:00Z)
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)
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。