論文の概要: Graph Construction with Flexible Nodes for Traffic Demand Prediction

• arxiv url: http://arxiv.org/abs/2403.00276v1
• Date: Fri, 1 Mar 2024 04:38:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 18:18:48.100006
• Title: Graph Construction with Flexible Nodes for Traffic Demand Prediction
• Title（参考訳）: 交通需要予測のためのフレキシブルノードを用いたグラフ構築
• Authors: Jinyan Hou, Shan Liu, Ya Zhang and Haotong Qin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 44.1996864038085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) have been widely applied in traffic demand prediction, and transportation modes can be divided into station-based mode and free-floating traffic mode. Existing research in traffic graph construction primarily relies on map matching to construct graphs based on the road network. However, the complexity and inhomogeneity of data distribution in free-floating traffic demand forecasting make road network matching inflexible. To tackle these challenges, this paper introduces a novel graph construction method tailored to free-floating traffic mode. We propose a novel density-based clustering algorithm (HDPC-L) to determine the flexible positioning of nodes in the graph, overcoming the computational bottlenecks of traditional clustering algorithms and enabling effective handling of large-scale datasets. Furthermore, we extract valuable information from ridership data to initialize the edge weights of GNNs. Comprehensive experiments on two real-world datasets, the Shenzhen bike-sharing dataset and the Haikou ride-hailing dataset, show that the method significantly improves the performance of the model. On average, our models show an improvement in accuracy of around 25\% and 19.5\% on the two datasets. Additionally, it significantly enhances computational efficiency, reducing training time by approximately 12% and 32.5% on the two datasets. We make our code available at https://github.com/houjinyan/HDPC-L-ODInit.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は交通需要予測に広く適用されており、輸送モードはステーションベースモードとフリーフローティングトラフィックモードに分けることができる。 既存のトラヒックグラフ構築の研究は、主に道路ネットワークに基づくグラフ構築のためのマップマッチングに依存している。 しかし、自由浮遊交通需要予測におけるデータ分布の複雑さと不均一性は、道路網の柔軟性を損なう。 これらの課題に対処するために,自由フロート交通モードに適したグラフ構築手法を提案する。 本稿では,従来のクラスタリングアルゴリズムの計算ボトルネックを克服し,大規模データセットの効率的な処理を可能にする,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。 さらに,GNNのエッジ重みを初期化するために,乗客データから貴重な情報を抽出する。 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。 平均すると、2つのデータセットで約25\%と19.5\%の精度が向上している。 さらに、計算効率を大幅に向上させ、トレーニング時間を2つのデータセットで約12%、32.5%削減する。 コードはhttps://github.com/houjinyan/HDPC-L-ODInit.comで公開しています。

関連論文リスト

• BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
  従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。 本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。 本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
  論文  参考訳（メタデータ） (2024-03-08T04:19:56Z)
• A Sparse Cross Attention-based Graph Convolution Network with Auxiliary Information Awareness for Traffic Flow Prediction [41.66129197681683]
  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。
  論文  参考訳（メタデータ） (2023-12-14T15:48:23Z)
• Geometric Deep Learning for Autonomous Driving: Unlocking the Power of Graph Neural Networks With CommonRoad-Geometric [6.638385593789309]
  不均一グラフは、複雑な相互作用効果をモデル化する能力を考えると、トラフィックに対して強力なデータ表現を提供する。 グラフニューラルネットワーク(GNN)が付随するディープラーニングフレームワークとして登場することにより、グラフ構造をさまざまな機械学習アプリケーションに効率的に活用することができる。 提案するPythonフレームワークは,トラフィックシナリオから標準化されたグラフデータセットを抽出する,使いやすく,完全にカスタマイズ可能なデータ処理パイプラインを提供する。
  論文  参考訳（メタデータ） (2023-02-02T17:45:02Z)
• Hierarchical Graph Pooling is an Effective Citywide Traffic Condition Prediction Model [1.321203201549798]
  本稿では,2つの階層的なグラフプーリング手法を交通予測タスクに適用し,グラフ情報の冗長性を低減する。 階層的なグラフプーリング法は、予測性能において他のベースラインと対比される。 上記のグラフニューラルネットワークでは,異なるグラフネットワーク入力がトラフィック予測精度に与える影響を比較検討する。
  論文  参考訳（メタデータ） (2022-09-08T08:12:35Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
  格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
  論文  参考訳（メタデータ） (2022-03-24T03:31:18Z)
• 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)
• Unboxing the graph: Neural Relational Inference for Mobility Prediction [15.4049962498675]
  グラフネットワーク(GNN)は、非ユークリッド空間データに広く応用されている。 本稿では,最適グラフモデルを動的に学習するニューラル推論を用いる。
  論文  参考訳（メタデータ） (2022-01-25T13:26:35Z)
• 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)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)

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。