論文の概要: Global-Aware Enhanced Spatial-Temporal Graph Recurrent Networks: A New
Framework For Traffic Flow Prediction
- arxiv url: http://arxiv.org/abs/2401.04135v1
- Date: Sun, 7 Jan 2024 05:28:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-10 19:01:57.130418
- Title: Global-Aware Enhanced Spatial-Temporal Graph Recurrent Networks: A New
Framework For Traffic Flow Prediction
- Title（参考訳）: 空間時間グラフリカレントネットワークのグローバルアウェア化:交通流予測のための新しいフレームワーク
- Authors: Haiyang Liu, Chunjiang Zhu, Detian Zhang
- Abstract要約: 本稿では,空間時空間グラフリカレントニューラルネットワークとグローバル認知層を組み合わせた新しい交通予測フレームワークを提案する。
シーケンス対応グラフニューラルネットワークを提案し,GRU(Gated Recurrent Unit)に統合し,異なる時間ステップで非固定グラフを学習する。
4つの実トラフィックデータセットについて広範な実験を行い、その結果、我々のフレームワークと3つの具体的なモデルの優位性を実証した。
- 参考スコア（独自算出の注目度）: 9.363958811186647
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic flow prediction plays a crucial role in alleviating traffic
congestion and enhancing transport efficiency. While combining graph
convolution networks with recurrent neural networks for spatial-temporal
modeling is a common strategy in this realm, the restricted structure of
recurrent neural networks limits their ability to capture global information.
For spatial modeling, many prior studies learn a graph structure that is
assumed to be fixed and uniform at all time steps, which may not be true. This
paper introduces a novel traffic prediction framework, Global-Aware Enhanced
Spatial-Temporal Graph Recurrent Network (GA-STGRN), comprising two core
components: a spatial-temporal graph recurrent neural network and a global
awareness layer. Within this framework, three innovative prediction models are
formulated. A sequence-aware graph neural network is proposed and integrated
into the Gated Recurrent Unit (GRU) to learn non-fixed graphs at different time
steps and capture local temporal relationships. To enhance the model's global
perception, three distinct global spatial-temporal transformer-like
architectures (GST^2) are devised for the global awareness layer. We conduct
extensive experiments on four real traffic datasets and the results demonstrate
the superiority of our framework and the three concrete models.
- Abstract（参考訳）: 交通流予測は交通渋滞の緩和と輸送効率の向上に重要な役割を果たしている。
この領域では、グラフ畳み込みネットワークとリカレントニューラルネットワークを組み合わせることが一般的な戦略であるが、リカレントニューラルネットワークの制限された構造は、グローバル情報をキャプチャする能力を制限する。
空間モデリングにおいて、多くの先行研究は、常に一定かつ均一であると考えられるグラフ構造を学ぶが、これは真実ではないかもしれない。
本稿では,空間時空間グラフリカレントニューラルネットワークとグローバル認知層という,新しい交通予測フレームワークであるGlobal-Aware Enhanced Spatial-Temporal Graph Recurrent Network (GA-STGRN)を紹介する。
この枠組みでは、3つの革新的な予測モデルが定式化されている。
シーケンス対応グラフニューラルネットワークを提案し,GRU(Gated Recurrent Unit)に統合し,異なる時間ステップで非固定グラフを学習し,局所的時間的関係を捉える。
モデルのグローバルな認識を高めるために,グローバルな認識層のために3つのグローバルな時空間トランスフォーマー様アーキテクチャ(GST^2)を考案した。
4つの実際のトラヒックデータセットについて広範な実験を行い,提案手法と3つの具体的モデルが優れていることを示す。
関連論文リスト
- ESGCN: Edge Squeeze Attention Graph Convolutional Network for Traffic
Flow Forecasting [15.475463516901938]
本稿では,複数の地域でのトラフィックフローを予測するネットワークエッジ・スキーズ・コンボリューション・ネットワーク(ESCN)を提案する。
ESGCNは、4つの現実世界のデータセットに対して大きなマージンで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-07-03T04:47:42Z) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-25T03:37:00Z) - BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。
リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。
BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文 参考訳（メタデータ） (2021-12-13T17:35:54Z) - STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention
Network for Traffic Forecasting [7.232141271583618]
非効率な時空間継手線形注意(SSTLA)と呼ばれる交通予測のための新しいディープラーニングモデルを提案する。
SSTLAは、全時間ノード間のグローバル依存を効率的に捉えるために、ジョイントグラフに線形注意を適用する。
実世界の2つの交通データセットであるイングランドとテンポラル7の実験は、我々のSTJLAが最先端のベースラインよりも9.83%と3.08%の精度でMAE測定を達成できることを示した。
論文 参考訳（メタデータ） (2021-12-04T06:39:18Z) - 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) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-17T08:28:30Z) - 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) - 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) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting [47.19400232038575]
ノード固有のパターンの学習は、事前に定義されたグラフが避けられる間、トラフィック予測に不可欠である、と我々は主張する。
本稿では,新たな機能を備えたグラフ・コンパス・ネットワーク(GCN)の拡張のための2つの適応モジュールを提案する。
実世界の2つの交通データセットに対する実験により、AGCRNは空間接続に関する事前定義されたグラフを使わずに、かなりのマージンで最先端の性能を示した。
論文 参考訳（メタデータ） (2020-07-06T15:51:10Z) - 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。