論文の概要: COOL: A Conjoint Perspective on Spatio-Temporal Graph Neural Network for
Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2403.01091v1
- Date: Sat, 2 Mar 2024 04:30:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 15:17:57.319336
- Title: COOL: A Conjoint Perspective on Spatio-Temporal Graph Neural Network for
Traffic Forecasting
- Title（参考訳）: COOL:交通予測のための時空間グラフニューラルネットワークのコンジョイント視点
- Authors: Wei Ju, Yusheng Zhao, Yifang Qin, Siyu Yi, Jingyang Yuan, Zhiping
Xiao, Xiao Luo, Xiting Yan, and Ming Zhang
- Abstract要約: 本稿では,先行情報と後続情報から異種グラフをモデル化し,高次時間関係を連続的に捉えるコンジョイント時空間グラフニューラルネットワーク(COOL)を提案する。
交通予知性を高めるために,マルチランクとマルチスケールの両方から多様な時間パターンをモデル化するコンジョイント・アテンション・デコーダを提案する。
- 参考スコア（独自算出の注目度）: 10.392021668859272
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper investigates traffic forecasting, which attempts to forecast the
future state of traffic based on historical situations. This problem has
received ever-increasing attention in various scenarios and facilitated the
development of numerous downstream applications such as urban planning and
transportation management. However, the efficacy of existing methods remains
sub-optimal due to their tendency to model temporal and spatial relationships
independently, thereby inadequately accounting for complex high-order
interactions of both worlds. Moreover, the diversity of transitional patterns
in traffic forecasting makes them challenging to capture for existing
approaches, warranting a deeper exploration of their diversity. Toward this
end, this paper proposes Conjoint Spatio-Temporal graph neural network
(abbreviated as COOL), which models heterogeneous graphs from prior and
posterior information to conjointly capture high-order spatio-temporal
relationships. On the one hand, heterogeneous graphs connecting sequential
observation are constructed to extract composite spatio-temporal relationships
via prior message passing. On the other hand, we model dynamic relationships
using constructed affinity and penalty graphs, which guide posterior message
passing to incorporate complementary semantic information into node
representations. Moreover, to capture diverse transitional properties to
enhance traffic forecasting, we propose a conjoint self-attention decoder that
models diverse temporal patterns from both multi-rank and multi-scale views.
Experimental results on four popular benchmark datasets demonstrate that our
proposed COOL provides state-of-the-art performance compared with the
competitive baselines.
- Abstract（参考訳）: 本稿では,過去の状況に基づいて交通の予測を行う交通予測について検討する。
この問題は様々なシナリオで注目され続け、都市計画や交通管理といった下流の多くのアプリケーションの開発が促進された。
しかし、時間的関係と空間的関係を独立にモデル化する傾向から、既存の方法の有効性は相変わらず最適であり、それによって両世界の複雑な高次相互作用を不適切に考慮している。
さらに、トラフィック予測におけるトランジッションパターンの多様性は、既存のアプローチを捉えるのを難しくし、その多様性をより深く探究することを保証する。
そこで本稿では,先行情報と後続情報から不均一グラフをモデル化し,高次時空間関係を連続的に捉えるコンジョイント時空間グラフニューラルネットワーク(cool)を提案する。
一方、逐次観測を繋ぐ異種グラフを構築し、先行メッセージパッシングによる複合時空間関係を抽出する。
一方、構築された親和性とペナルティグラフを用いて動的関係をモデル化し、後続メッセージパッシングを誘導し、補足意味情報をノード表現に組み込む。
さらに,トラヒック予測のための多様な遷移特性を捉えるために,マルチランクとマルチスケールの両方から多様な時間パターンをモデル化するコンジョイント・セルフアテンション・デコーダを提案する。
4つの人気のあるベンチマークデータセットにおける実験結果から,提案するcoolは,競合ベースラインと比較して最先端のパフォーマンスを提供することが示された。
関連論文リスト
- Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - Dynamic Hypergraph Structure Learning for Traffic Flow Forecasting [35.0288931087826]
交通流予測は、過去のネットワークと交通条件に基づいて将来の交通状況を予測することを目的としている。
この問題は、遠時ニューラルネットワーク(GNN)を用いた交通データにおける複雑な時間相関をモデル化することによって、典型的に解決される。
既存の手法は、近隣情報を線形に集約するメッセージパッシングのパラダイムに従っている。
本稿では,交通流予測のための動的ハイパー構造学習(DyHSL)モデルを提案する。
論文 参考訳（メタデータ） (2023-09-21T12:44:55Z) - 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) - Continuous-Time and Multi-Level Graph Representation Learning for
Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。
状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。
北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文 参考訳（メタデータ） (2022-06-30T03:37:50Z) - 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) - Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel
Attention-Based Spatio-Temporal Graph Convolutional Networks [4.318655493189584]
建設工事の影響下での交通速度予測モデルを提案する。
このモデルは、強力なアテンションベースの時間グラフ畳み込みアーキテクチャに基づいているが、様々なチャネルを利用して異なる情報ソースを統合する。
このモデルは、2つのベンチマークデータセットと、北バージニアの散らかった道路の角で収集した新しいデータセットで評価されている。
論文 参考訳（メタデータ） (2021-10-04T16:07:37Z) - SST-GNN: Simplified Spatio-temporal Traffic forecasting model using
Graph Neural Network [2.524966118517392]
我々は,SST-GNN(SST-GNN)を簡易に設計し,異なる地区を個別に集約することで依存性を効果的に符号化した。
我々は,本モデルが3つの実環境トラフィックデータセットの最先端モデルよりも大幅に優れていることを示した。
論文 参考訳（メタデータ） (2021-03-31T18:28:44Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z) - 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。