論文の概要: ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction

• arxiv url: http://arxiv.org/abs/2404.13853v1
• Date: Mon, 22 Apr 2024 03:35:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-23 15:26:21.401356
• Title: ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction
• Title（参考訳）: ICST-DNET:交通速度予測のための解釈可能な因果拡散ネットワーク
• Authors: Yi Rong, Yingchi Mao, Yinqiu Liu, Ling Chen, Xiaoming He, Dusit Niyato,
• Abstract要約: ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。 ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
• 参考スコア（独自算出の注目度）: 47.17205142864036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic speed prediction is significant for intelligent navigation and congestion alleviation. However, making accurate predictions is challenging due to three factors: 1) traffic diffusion, i.e., the spatial and temporal causality existing between the traffic conditions of multiple neighboring roads, 2) the poor interpretability of traffic data with complicated spatio-temporal correlations, and 3) the latent pattern of traffic speed fluctuations over time, such as morning and evening rush. Jointly considering these factors, in this paper, we present a novel architecture for traffic speed prediction, called Interpretable Causal Spatio-Temporal Diffusion Network (ICST-DNET). Specifically, ICST-DENT consists of three parts, namely the Spatio-Temporal Causality Learning (STCL), Causal Graph Generation (CGG), and Speed Fluctuation Pattern Recognition (SFPR) modules. First, to model the traffic diffusion within road networks, an STCL module is proposed to capture both the temporal causality on each individual road and the spatial causality in each road pair. The CGG module is then developed based on STCL to enhance the interpretability of the traffic diffusion procedure from the temporal and spatial perspectives. Specifically, a time causality matrix is generated to explain the temporal causality between each road's historical and future traffic conditions. For spatial causality, we utilize causal graphs to visualize the diffusion process in road pairs. Finally, to adapt to traffic speed fluctuations in different scenarios, we design a personalized SFPR module to select the historical timesteps with strong influences for learning the pattern of traffic speed fluctuations. Extensive experimental results prove that ICST-DNET can outperform all existing baselines, as evidenced by the higher prediction accuracy, ability to explain causality, and adaptability to different scenarios.
• Abstract（参考訳）: 交通速度予測はインテリジェントナビゲーションと渋滞緩和に重要である。 しかし、正確な予測は3つの要因により困難である。 1) 交通拡散、すなわち、複数の隣接する道路の交通条件の間に存在する空間的・時間的因果関係 2)複雑な時空間相関による交通データの解釈可能性の低下,及び 3)午前や夕方のラッシュなど,交通速度の変動パターンは時間とともに変動する。 本稿では,これらの要因を共同で考慮し,ICST-DNET(Interpretable Causal Spatio-Temporal Diffusion Network)と呼ばれる,交通速度予測のための新しいアーキテクチャを提案する。 特にICST-DENTは、時空間因果学習(STCL)、因果グラフ生成(CGG)、速度変動パターン認識(SFPR)の3つの部分から構成される。 まず,道路ネットワーク内の交通拡散をモデル化するため,各道路の時間的因果関係と各道路の空間的因果関係の両方を捉えるためにSTCLモジュールを提案する。 CGGモジュールはSTCLに基づいて開発され、時間的・空間的視点からトラフィック拡散手順の解釈可能性を高める。 具体的には、各道路の歴史的および将来の交通条件間の時間的因果関係を説明するために、時間的因果行列を生成する。 空間因果関係において,道路対の拡散過程を可視化するために因果グラフを用いる。 最後に,異なるシナリオにおける交通速度変動に対応するために,交通速度変動パターンの学習に強い影響を与える歴史的時間ステップを選択するために,パーソナライズされたSFPRモジュールを設計する。 ICST-DNETは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性などによって証明されているように、既存のベースラインを全て上回ることができる。

関連論文リスト

• 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)
• Temporal Graph Learning Recurrent Neural Network for Traffic Forecasting [27.20703077756038]
  これらの問題に対処するため,TGLRN(Temporal Graph Learning Recurrent Neural Network)を提案する。 より正確には、時系列の性質を効果的にモデル化するために、リカレントニューラルネットワーク(RNN)を活用し、各ステップでグラフを動的に構築する。 実世界の4つのベンチマークデータセットの実験結果から, TGLRNの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-04T19:08:40Z)
• Unveiling Delay Effects in Traffic Forecasting: A Perspective from Spatial-Temporal Delay Differential Equations [20.174094418301245]
  交通流予測は交通計画と管理の基本的な研究課題である。 近年,グラフニューラルネットワーク (GNN) とリカレントニューラルネットワーク (RNN) は交通流予測のための空間的時間的相関を捉えることに成功している。 1) GNNでのメッセージパッシングは即時であり、実際には近隣ノード間の空間的メッセージインタラクションは遅延する可能性がある。
  論文  参考訳（メタデータ） (2024-02-02T08:55:23Z)
• 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)
• STGC-GNNs: A GNN-based traffic prediction framework with a spatial-temporal Granger causality graph [3.324220648072334]
  交通予測の鍵は、道路網を走行する交通の流れの時間的ダイナミクスを正確に表現することである。 既存の手法は局所的および静的な空間依存をモデル化し、長期予測に必要なグローバル・ダイナミックな交通情報を伝達できない。 我々は,GDTiが動的に変化する交通流の下で安定な交通流を支える伝達因果関係(TCR)としてマクロ的に振る舞うという新しい仮説を提案する。
  論文  参考訳（メタデータ） (2022-10-30T09:33:51Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• STCGAT: Spatial-temporal causal networks for complex urban road traffic flow prediction [12.223433627287605]
  交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。 既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。 本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-21T06:38:34Z)
• A3T-GCN: Attention Temporal Graph Convolutional Network for Traffic Forecasting [4.147625439377302]
  A3T-GCN(A3T-GCN)トラヒック予測手法を提案した。 A3T-GCNモデルはゲートリカレントユニットを用いて時系列の短時間傾向を学習し,道路ネットワークのトポロジに基づいて空間依存性を学習する。 実世界のデータセットにおける実験結果は,提案したA3T-GCNの有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2020-06-20T14:12:01Z)
• 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。