論文の概要: Continuously Evolving Graph Neural Controlled Differential Equations for Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2401.14695v1
• Date: Fri, 26 Jan 2024 07:36:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-29 15:37:03.854824
• Title: Continuously Evolving Graph Neural Controlled Differential Equations for Traffic Forecasting
• Title（参考訳）: トラヒック予測のための連続進行グラフニューラル制御微分方程式
• Authors: Jiajia Wu, Ling Chen
• Abstract要約: 既存の作業は、時間とともに進化する継続的時間的依存関係や空間的依存関係を無視します。 本稿では,連続的な時間的依存関係と空間的依存関係を同時に捉えるための連続進化グラフニューラル制御微分方程式(CEGNCDE)を提案する。
• 参考スコア（独自算出の注目度）: 11.886946765505844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a crucial technique for developing a smart city, traffic forecasting has become a popular research focus in academic and industrial communities for decades. This task is highly challenging due to complex and dynamic spatial-temporal dependencies in traffic networks. Existing works ignore continuous temporal dependencies and spatial dependencies evolving over time. In this paper, we propose Continuously Evolving Graph Neural Controlled Differential Equations (CEGNCDE) to capture continuous temporal dependencies and spatial dependencies over time simultaneously. Specifically, a continuously evolving graph generator (CEGG) based on NCDE is introduced to generate the spatial dependencies graph that continuously evolves over time from discrete historical observations. Then, a graph neural controlled differential equations (GNCDE) framework is introduced to capture continuous temporal dependencies and spatial dependencies over time simultaneously. Extensive experiments demonstrate that CEGNCDE outperforms the SOTA methods by average 2.34% relative MAE reduction, 0.97% relative RMSE reduction, and 3.17% relative MAPE reduction.
• Abstract（参考訳）: スマートシティの発展に欠かせない技術として、交通予測は何十年もの間、学術と産業のコミュニティで人気のある研究対象となっている。 このタスクは、交通ネットワークにおける複雑で動的な時空間依存性のため、非常に難しい。 既存の作業は、時間とともに進化する継続的時間的依存関係や空間的依存関係を無視します。 本稿では,連続的な時間的依存関係と空間的依存関係を同時に捉えるための連続進化グラフニューラル制御微分方程式(CEGNCDE)を提案する。 特に、ncdeに基づく連続進化グラフ生成器(cegg)を導入し、離散的歴史的観測から時間とともに連続的に進化する空間依存グラフを生成する。 次に,連続時間依存性と空間依存性を同時に捉えるグラフニューラルネットワーク制御微分方程式(gncde)フレームワークを導入する。 CEGNCDEは、平均2.34%のMAE還元、0.97%のRMSE還元、および3.17%のMAPE還元でSOTA法より優れていた。

関連論文リスト

• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• DSTCGCN: Learning Dynamic Spatial-Temporal Cross Dependencies for Traffic Forecasting [7.3669718660909735]
  本研究では,動的空間依存と時間依存を協調的に学習する動的時空間グラフ畳み込みネットワークを提案する。 6つの実世界のデータセットの実験は、DSTCGCNが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2023-07-02T08:53:10Z)
• 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)
• Spatial-Temporal Graph Convolutional Gated Recurrent Network for Traffic Forecasting [3.9761027576939414]
  時空間グラフ畳み込みGated Recurrent Network (STGCGRN) という,トラフィック予測のための新しいフレームワークを提案する。 交通データ中の周期的な情報をマイニングすることで、長期依存を捕捉するアテンションモジュールを設計する。 4つのデータセットの実験は、我々のモデルの優れた性能を示している。
  論文  参考訳（メタデータ） (2022-10-06T08:02:20Z)
• Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
  本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。 我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。 ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
  論文  参考訳（メタデータ） (2022-08-05T09:36:55Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting [35.072979313851235]
  交通流の空間的-時間的データ予測は複雑な空間的依存性と道路間の時間的パターンの動的傾向のために難しい課題である。 既存のフレームワークは通常、与えられた空間隣接グラフと、空間的および時間的相関をモデル化する洗練されたメカニズムを利用する。 本稿では,交通流予測のための空間時間融合グラフニューラルネットワーク(STFGNN)を提案する。
  論文  参考訳（メタデータ） (2020-12-15T14:03:17Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• 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。