論文の概要: MetroGNN: Metro Network Expansion with Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2403.09197v1
- Date: Thu, 14 Mar 2024 09:09:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-15 21:16:56.388808
- Title: MetroGNN: Metro Network Expansion with Reinforcement Learning
- Title(参考訳): MetroGNN: 強化学習によるメトロネットワークの拡張
- Authors: Hongyuan Su, Yu Zheng, Jingtao Ding, Depeng Jin, Yong Li,
- Abstract要約: 都市の異種マルチグラフにおけるマルコフ決定プロセスに対処するための強化学習フレームワークを提案する。
このアプローチでは,グラフニューラルネットワークが取得した情報に基づいて,インテリジェントにノードを選択する,注意型ポリシネットワークを採用している。
- 参考スコア(独自算出の注目度): 29.418145526587313
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Selecting urban regions for metro network expansion to meet maximal transportation demands is crucial for urban development, while computationally challenging to solve. The expansion process relies not only on complicated features like urban demographics and origin-destination (OD) flow but is also constrained by the existing metro network and urban geography. In this paper, we introduce a reinforcement learning framework to address a Markov decision process within an urban heterogeneous multi-graph. Our approach employs an attentive policy network that intelligently selects nodes based on information captured by a graph neural network. Experiments on real-world urban data demonstrate that our proposed methodology substantially improve the satisfied transportation demands by over 30\% when compared with state-of-the-art methods. Codes are published at https://github.com/tsinghua-fib-lab/MetroGNN.
- Abstract(参考訳): 都市開発において,地下鉄網拡大のための都市域の選択が重要であり,計算的に解決が困難である。
拡張プロセスは、都市人口統計やオリジン・デスティネーション(OD)フローのような複雑な特徴だけでなく、既存の地下鉄網や都市地理にも制約されている。
本稿では,都市の異種マルチグラフにおけるマルコフ決定プロセスに対処する強化学習フレームワークを提案する。
このアプローチでは,グラフニューラルネットワークが取得した情報に基づいて,インテリジェントにノードを選択する,注意型ポリシネットワークを採用している。
実世界の都市データを用いた実験により, 提案手法は, 最先端の手法と比較して, 満足度の高い交通需要を30倍以上改善することを示した。
コードはhttps://github.com/tsinghua-fib-lab/MetroGNNで公開されている。
関連論文リスト
- Explainable Hierarchical Urban Representation Learning for Commuting Flow Prediction [1.5156879440024378]
通勤フロー予測は、現実の自治体の業務に欠かせない課題である。
我々は,異なるタイプのODフローを予測するために,意味のある領域埋め込みを生成するヘテロジニアスグラフベースモデルを開発した。
提案モデルでは,一様都市構造の観点から既存モデルよりも優れた性能を示す。
論文 参考訳(メタデータ) (2024-08-27T03:30:01Z) - Advanced Artificial Intelligence Strategy for Optimizing Urban Rail Network Design using Nature-Inspired Algorithms [0.0]
本研究では,インド・タミル・ナドゥ州チェンナイの都市環境におけるメトロネットワークルート計画の革新的方法論を紹介する。
改良型Ant Colony Optimization (ACO)法の比較分析により, 改良型Ant Colony Optimization (ACO)法と, 改良型Ant Colony Optimization (ACO)法との比較を行った。
論文 参考訳(メタデータ) (2024-07-04T17:57:39Z) - Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for
Cross-City Semantic Segmentation using High-Resolution Domain Adaptation
Networks [82.82866901799565]
我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。
単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。
高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
論文 参考訳(メタデータ) (2023-09-26T23:55:39Z) - Complexity-aware Large Scale Origin-Destination Network Generation via
Diffusion Model [24.582615553841396]
Origin-Destination (OD) ネットワークは、市内の各地域から他の地域への人々の流れを推定する。
本稿では,ノードとエッジの条件付き結合確率分布を学習するために,ODネットワークの生成と拡散法の設計を提案する。
論文 参考訳(メタデータ) (2023-06-08T02:02:55Z) - MetroGAN: Simulating Urban Morphology with Generative Adversarial
Network [10.504296192020497]
本稿では,都市形態学シミュレーションのための地理知識,すなわちメトロポリタンGAN(MetroGAN)の枠組みを提案する。
その結果,MetroGANはすべての指標において,最先端の都市シミュレーション手法よりも20%以上優れていた。
論文 参考訳(メタデータ) (2022-07-06T11:02:24Z) - Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge
Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。
本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。
本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文 参考訳(メタデータ) (2022-05-27T12:46:52Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳(メタデータ) (2021-08-02T08:13:57Z) - CityNet: A Comprehensive Multi-Modal Urban Dataset for Advanced Research in Urban Computing [1.9774168196078137]
我々は,7つの都市からのさまざまなデータを組み込んだマルチモーダル都市データセットであるCityNetを紹介する。
我々はCityNetの利用を促進するために、広範なデータマイニングと機械学習の実験を行っている。
論文 参考訳(メタデータ) (2021-06-30T04:05:51Z) - Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。
我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。
フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
論文 参考訳(メタデータ) (2021-04-30T12:47:52Z) - 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) - Physical-Virtual Collaboration Modeling for Intra-and Inter-Station
Metro Ridership Prediction [116.66657468425645]
本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。
特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。
類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
論文 参考訳(メタデータ) (2020-01-14T16:47:54Z)
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。