Fugu-MT 論文翻訳(概要): DST-GTN: Dynamic Spatio-Temporal Graph Transformer Network for Traffic Forecasting

論文の概要: DST-GTN: Dynamic Spatio-Temporal Graph Transformer Network for Traffic Forecasting

arxiv url: http://arxiv.org/abs/2404.11996v1
Date: Thu, 18 Apr 2024 08:44:52 GMT
ステータス: 処理完了
システム内更新日: 2024-04-19 12:51:17.643886
Title: DST-GTN: Dynamic Spatio-Temporal Graph Transformer Network for Traffic Forecasting
Title（参考訳）: DST-GTN:トラフィック予測のための動的時空間グラフトランスネットワーク
Authors: Songtao Huang, Hongjin Song, Tianqi Jiang, Akbar Telikani, Jun Shen, Qingguo Zhou, Binbin Yong, Qiang Wu,
Abstract要約: 様々な時間に空間特性をカプセル化する動的時空間特徴 (Dyn-ST) という,詳細な特徴表現を新たに導入する。 DST-GTN(Dynamic Spatio-Temporal Graph Transformer Network)を提案する。 DST-GTNは、様々な交通予測タスクの最先端性能を達成し、安定性の向上を示す。
参考スコア（独自算出の注目度）: 6.5236608844840775
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate traffic forecasting is essential for effective urban planning and congestion management. Deep learning (DL) approaches have gained colossal success in traffic forecasting but still face challenges in capturing the intricacies of traffic dynamics. In this paper, we identify and address this challenges by emphasizing that spatial features are inherently dynamic and change over time. A novel in-depth feature representation, called Dynamic Spatio-Temporal (Dyn-ST) features, is introduced, which encapsulates spatial characteristics across varying times. Moreover, a Dynamic Spatio-Temporal Graph Transformer Network (DST-GTN) is proposed by capturing Dyn-ST features and other dynamic adjacency relations between intersections. The DST-GTN can model dynamic ST relationships between nodes accurately and refine the representation of global and local ST characteristics by adopting adaptive weights in low-pass and all-pass filters, enabling the extraction of Dyn-ST features from traffic time-series data. Through numerical experiments on public datasets, the DST-GTN achieves state-of-the-art performance for a range of traffic forecasting tasks and demonstrates enhanced stability.
Abstract（参考訳）: 正確な交通予測は効果的な都市計画と混雑管理に不可欠である。深層学習(DL)アプローチは、トラフィック予測において非常に成功したが、トラフィックダイナミクスの複雑さを捉える上ではまだ課題に直面している。本稿では,空間的特徴が本質的に動的であり,時間とともに変化することが強調され,この問題に対処する。動的時空間(Dyn-ST)特徴と呼ばれる,空間的特徴を様々な時間にわたってカプセル化する,詳細な特徴表現が導入された。さらに,Dyn-ST特徴と他の交点間の動的隣接関係を捉えることにより,動的時空間グラフ変換ネットワーク(DST-GTN)を提案する。 DST-GTNは、低域通過フィルタと全域通過フィルタに適応重みを適用して、ノード間の動的ST関係を正確にモデル化し、グローバルおよび局所ST特性の表現を洗練し、トラフィック時系列データからDyn-ST特徴の抽出を可能にする。公共データセットに関する数値実験を通じて、DST-GTNは、様々な交通予測タスクに対して最先端のパフォーマンスを達成し、安定性を向上する。

関連論文リスト

Dynamic Trend Fusion Module for Traffic Flow Prediction [9.650380389159459]
既存の手法はしばしば、空間的相関と時間的相関を別々にモデル化し、効果的に融合しない。交通ネットワークのマルチビュー動的特徴を学習するための動的相関を融合する動的時空間トレンド変換器DST2を提案する。 4つの実世界のトラフィックデータセットの実験は、我々のフレームワークが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2025-01-18T15:16:47Z)
Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文参考訳（メタデータ） (2024-11-01T00:37:00Z)
DST-TransitNet: A Dynamic Spatio-Temporal Deep Learning Model for Scalable and Efficient Network-Wide Prediction of Station-Level Transit Ridership [12.6020349733674]
本稿では,システムワイドライダーシップ予測のためのハイブリッドディープラーニングモデルであるDST-TransitNetを紹介する。ボゴタのBRTシステムデータでテストされており、3つの異なる社会的シナリオがある。最先端のモデルを精度、効率、堅牢性で上回る。
論文参考訳（メタデータ） (2024-10-19T06:59:39Z)
Navigating Spatio-Temporal Heterogeneity: A Graph Transformer Approach for Traffic Forecasting [13.309018047313801]
交通予測はスマートシティの発展において重要な研究分野として浮上している。最短時間相関のためのネットワークモデリングの最近の進歩は、パフォーマンスのリターンが低下し始めている。これらの課題に対処するために、時空間グラフ変換器(STGormer)を導入する。本研究では,その構造に基づく空間符号化手法を2つ設計し,時間位置をバニラ変圧器に統合して時間的トラフィックパターンをキャプチャする。
論文参考訳（メタデータ） (2024-08-20T13:18:21Z)
ST-RetNet: A Long-term Spatial-Temporal Traffic Flow Prediction Method [1.8531577178922987]
時空間共振ネットワーク(ST-RetNet)と呼ばれる革新的なモデルを提案する。空間スケールでは,道路網の動的空間的特徴を抽出するために適応的隣接行列を用いて,位相グラフ構造を空間共役ネットワーク(S-RetNet)に統合する。時間的スケールでは,交通流パターンの長期的依存性の把握に優れたテンポラル・リテータ・ネットワーク(T-RetNet)を提案する。
論文参考訳（メタデータ） (2024-07-13T03:52:32Z)
Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
論文参考訳（メタデータ） (2024-05-06T06:23:06Z)
Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2023-06-15T14:50:27Z)
A Dynamic Temporal Self-attention Graph Convolutional Network for Traffic Prediction [7.23135508361981]
本稿では,隣接する行列をトレーニング可能なアテンションスコア行列とする時間自己アテンショングラフ畳み込みネットワーク(DT-SGN)モデルを提案する。実世界の交通データセット上での最先端モデル駆動モデルとデータ駆動モデルよりも,本手法の方が優れていることを示す実験を行った。
論文参考訳（メタデータ） (2023-02-21T03:51:52Z)
PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文参考訳（メタデータ） (2023-01-19T08:42:40Z)
D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
論文参考訳（メタデータ） (2022-07-21T10:19:07Z)
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。