論文の概要: WEST GCN-LSTM: Weighted Stacked Spatio-Temporal Graph Neural Networks for Regional Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2405.00570v1
- Date: Wed, 1 May 2024 15:19:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-02 15:17:48.063470
- Title: WEST GCN-LSTM: Weighted Stacked Spatio-Temporal Graph Neural Networks for Regional Traffic Forecasting
- Title(参考訳): WEST GCN-LSTM:地域交通予測のための重み付き時空間グラフニューラルネットワーク
- Authors: Theodoros Theodoropoulos, Angelos-Christos Maroudis, Antonios Makris, Konstantinos Tserpes,
- Abstract要約: 本研究の目的は,従来の時間的グラフニューラルネットワークアーキテクチャの拡張である。
エンドプロダクトは、WEST(Weighted STacked) GCN-LSTMと呼ばれる新しい時間グラフネットワークニューラルネットワークアーキテクチャである。
- 参考スコア(独自算出の注目度): 0.8215320771752098
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Regional traffic forecasting is a critical challenge in urban mobility, with applications to various fields such as the Internet of Everything. In recent years, spatio-temporal graph neural networks have achieved state-of-the-art results in the context of numerous traffic forecasting challenges. This work aims at expanding upon the conventional spatio-temporal graph neural network architectures in a manner that may facilitate the inclusion of information regarding the examined regions, as well as the populations that traverse them, in order to establish a more efficient prediction model. The end-product of this scientific endeavour is a novel spatio-temporal graph neural network architecture that is referred to as WEST (WEighted STacked) GCN-LSTM. Furthermore, the inclusion of the aforementioned information is conducted via the use of two novel dedicated algorithms that are referred to as the Shared Borders Policy and the Adjustable Hops Policy. Through information fusion and distillation, the proposed solution manages to significantly outperform its competitors in the frame of an experimental evaluation that consists of 19 forecasting models, across several datasets. Finally, an additional ablation study determined that each of the components of the proposed solution contributes towards enhancing its overall performance.
- Abstract(参考訳): 地域交通予測は都市移動において重要な課題であり、インターネット・オブ・オール(Internet of Everything)など様々な分野に応用されている。
近年、時空間グラフニューラルネットワークは、多くの交通予測課題の文脈において最先端の結果を得た。
本研究の目的は, 従来の時空間グラフニューラルネットワークアーキテクチャを, より効率的な予測モデルを確立するために, 調査対象地域に関する情報と, それらを横断する人口の包摂を容易にするように拡張することである。
この科学的取り組みの成果は、WEST(Weighted STacked) GCN-LSTMと呼ばれる新しい時空間グラフニューラルネットワークアーキテクチャである。
さらに、上記の情報を含めることは、共有境界政策と調整可能なホップ政策と呼ばれる2つの新しい専用アルゴリズムを使用することによって行われる。
情報融合と蒸留により、提案手法は、19の予測モデルからなる実験的な評価の枠組みにおいて、いくつかのデータセット間で、競争相手を大きく上回っている。
最後に、追加のアブレーション研究により、提案した解のそれぞれの成分が全体的な性能向上に寄与することが決定された。
関連論文リスト
- SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳(メタデータ) (2024-05-29T08:00:15Z) - Global-Aware Enhanced Spatial-Temporal Graph Recurrent Networks: A New
Framework For Traffic Flow Prediction [9.363958811186647]
本稿では,空間時空間グラフリカレントニューラルネットワークとグローバル認知層を組み合わせた新しい交通予測フレームワークを提案する。
シーケンス対応グラフニューラルネットワークを提案し,GRU(Gated Recurrent Unit)に統合し,異なる時間ステップで非固定グラフを学習する。
4つの実トラフィックデータセットについて広範な実験を行い、その結果、我々のフレームワークと3つの具体的なモデルの優位性を実証した。
論文 参考訳(メタデータ) (2024-01-07T05:28:36Z) - Deep learning for dynamic graphs: models and benchmarks [16.851689741256912]
近年,Deep Graph Networks (DGNs) の研究が進展し,グラフ上の学習領域が成熟した。
この研究分野の成長にもかかわらず、まだ解決されていない重要な課題がまだ残っている。
論文 参考訳(メタデータ) (2023-07-12T12:02:36Z) - 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) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳(メタデータ) (2022-06-06T14:26:34Z) - BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。
リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。
BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文 参考訳(メタデータ) (2021-12-13T17:35:54Z) - CCasGNN: Collaborative Cascade Prediction Based on Graph Neural Networks [0.49269463638915806]
カスケード予測は,ネットワーク内の情報拡散をモデル化することを目的とした。
グラフニューラルネットワークとリカレントニューラルネットワークによるネットワーク構造とシーケンス特徴の組み合わせに関する研究
本稿では,個々のプロファイル,構造特徴,シーケンス情報を考慮した新しいCCasGNNを提案する。
論文 参考訳(メタデータ) (2021-12-07T11:37:36Z) - 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) - Spatio-Temporal Graph Complementary Scattering Networks [27.78922896432688]
本研究では,新しい時間グラフ散乱とニューラルネットワークの変換を組み合わせた補完機構を提案する。
本質的には、数学的に設計されたグラフウェーブレットをプルーニング技術で活用し、主要な情報をカバーし、トレーニング可能なキャプチャネットワークを使用して、補完的な情報をキャプチャする。
論文 参考訳(メタデータ) (2021-10-23T06:02:43Z) - A Comparative Study of Using Spatial-Temporal Graph Convolutional
Networks for Predicting Availability in Bike Sharing Schemes [13.819341724635319]
都市における自転車シェアリングシステムの利用可能な自転車の数を予測するための注意ベースのST-GCN(AST-GCN)を紹介します。
実験結果はdublinbikesとnyc-citi bikeの2つの実世界のデータセットを用いて提示した。
論文 参考訳(メタデータ) (2021-04-21T17:13:29Z) - 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)
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。