論文の概要: Fine-grained Spatial-temporal MLP Architecture for Metro Origin-Destination Prediction
- arxiv url: http://arxiv.org/abs/2404.15734v1
- Date: Wed, 24 Apr 2024 08:46:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-26 19:49:56.962576
- Title: Fine-grained Spatial-temporal MLP Architecture for Metro Origin-Destination Prediction
- Title(参考訳): メトロ原点推定予測のための微粒な時空間MLPアーキテクチャ
- Authors: Yang Liu, Binglin Chen, Yongsen Zheng, Guanbin Li, Liang Lin,
- Abstract要約: ODMixerは、Metro Origin-Destination(OD)予測のための時空間アーキテクチャである。
Channel Mixer, Multi-view Mixer, Bidirectional Trend LearnerはODペア間の短期的時間的関係をキャプチャする。
ODMixerの利点を示す大規模な2つのOD予測データセットの実験を行った。
- 参考スコア(独自算出の注目度): 88.18976404579882
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate prediction of metro traffic is crucial for optimizing metro scheduling and enhancing overall transport efficiency. Analyzing fine-grained and comprehensive relations among stations effectively is imperative for metro Origin-Destination (OD) prediction. However, existing metro OD models either mix information from multiple OD pairs from the station's perspective or exclusively focus on a subset of OD pairs. These approaches may overlook fine-grained relations among OD pairs, leading to difficulties in predicting potential anomalous conditions. To address these challenges, we analyze traffic variations from the perspective of all OD pairs and propose a fine-grained spatial-temporal MLP architecture for metro OD prediction, namely ODMixer. Specifically, our ODMixer has double-branch structure and involves the Channel Mixer, the Multi-view Mixer, and the Bidirectional Trend Learner. The Channel Mixer aims to capture short-term temporal relations among OD pairs, the Multi-view Mixer concentrates on capturing relations from both origin and destination perspectives. To model long-term temporal relations, we introduce the Bidirectional Trend Learner. Extensive experiments on two large-scale metro OD prediction datasets HZMOD and SHMO demonstrate the advantages of our ODMixer. The code will be available.
- Abstract(参考訳): 都市交通の正確な予測は、地下鉄のスケジューリングを最適化し、全体の輸送効率を向上させるために重要である。
駅間の細粒度および包括的関係を効果的に分析することは、メトロオリジン・デスティン化(OD)予測に不可欠である。
しかし、既存のメトロODモデルは、駅の視点で複数のODペアからの情報や、ODペアのサブセットにのみ焦点を合わせている。
これらのアプローチはODペア間の微細な関係を見落とし、潜在的な異常な状態を予測するのに困難をもたらす可能性がある。
これらの課題に対処するために、すべてのODペアの観点からトラフィックの変動を分析し、ODMixerというメトロOD予測のための微粒な時空間MLPアーキテクチャを提案する。
具体的には、ODMixerは二重分岐構造を持ち、Channel Mixer、Multi-view Mixer、Bidirectional Trend Learnerを含む。
Channel MixerはODペア間の短期的時間的関係を捉えることを目的としており、Multi-view Mixerは起源と目的地の両方の観点から関係を捉えることに集中している。
長期的な時間的関係をモデル化するために,双方向トレンド学習システムを導入する。
大規模OD予測データセットHZMODとSHMOの大規模な実験により,ODMixerの利点が示された。
コードは利用可能です。
関連論文リスト
- Reconstructing Graph Diffusion History from a Single Snapshot [91.9168290827762]
A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。
本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。
また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
論文 参考訳(メタデータ) (2023-06-01T09:39:32Z) - ODformer: Spatial-Temporal Transformers for Long Sequence
Origin-Destination Matrix Forecasting Against Cross Application Scenario [18.241804329382543]
Origin-Destination (OD) は、一対のOD領域間の方向流データを記録する。
関連する手法のほとんどは、特定のアプリケーションシナリオにおける非常に短い時系列時系列の予測のために設計されている。
本稿では,2つの有意な特性を持つODformerというトランスフォーマー様モデルを提案する。
論文 参考訳(メタデータ) (2022-08-17T10:58:46Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳(メタデータ) (2022-06-29T22:19:03Z) - Parallel Multi-Graph Convolution Network For Metro Passenger Volume
Prediction [8.536743588315696]
本稿では,並列多グラフ畳み込みと双方向一方向Gated Recurrent Unit(PB-GRU)を重畳した深層学習モデルを提案する。
地下鉄の乗客の流れを実世界の2つのデータセットで分析した結果,モデルの有効性が示された。
論文 参考訳(メタデータ) (2021-08-29T13:07:18Z) - Multi-View TRGRU: Transformer based Spatiotemporal Model for Short-Term
Metro Origin-Destination Matrix Prediction [12.626657411944949]
ODメトロマトリクス予測に対処するハイブリド・フレームワークであるMulti-view TRGRUを提案する。
特に、最近のトレンド、日々のトレンド、毎週のトレンドという3つのフロー変化パターンをモデル化するために、3つのモジュールを使用する。
各モジュールにおいて、各ステーションへの埋め込みに基づくマルチビュー表現を構築し、トランスをベースとした再ゲート電流構造に供給する。
論文 参考訳(メタデータ) (2021-08-09T09:32:42Z) - Online Metro Origin-Destination Prediction via Heterogeneous Information
Aggregation [99.54200992904721]
我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。
ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。
DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。
提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
論文 参考訳(メタデータ) (2021-07-02T10:11:51Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳(メタデータ) (2020-12-25T01:40:29Z) - Multimodal Trajectory Prediction via Topological Invariance for
Navigation at Uncontrolled Intersections [45.508973373913946]
道路交差点において,信号機や信号機を使わずに複数の非通信的合理的エージェント間の分散ナビゲーションに着目した。
我々の重要な洞察は、交差点の幾何学的構造と、効率的に動くエージェントのインセンティブが衝突を避け(合理性)、起こりうる行動の空間を減少させるということである。
マルチエージェント交差点シーンにおける高次モードの軌道表現を再構成するデータ駆動型軌道予測機構であるMTPを設計する。
論文 参考訳(メタデータ) (2020-11-08T02:56:42Z)
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。