論文の概要: FusionTransNet for Smart Urban Mobility: Spatiotemporal Traffic Forecasting Through Multimodal Network Integration
- arxiv url: http://arxiv.org/abs/2405.05786v1
- Date: Thu, 9 May 2024 14:09:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-10 13:13:05.364606
- Title: FusionTransNet for Smart Urban Mobility: Spatiotemporal Traffic Forecasting Through Multimodal Network Integration
- Title（参考訳）: スマートシティモビリティのためのFusionTransNet:マルチモーダルネットワーク統合による時空間交通予測
- Authors: Binwu Wang, Yan Leng, Guang Wang, Yang Wang,
- Abstract要約: FusionTransNetは、Origin-Destination(OD)フロー予測とスマート都市交通システムのために設計されたフレームワークである。
このフレームワークには、モーダル内学習モジュール、モーダル間学習モジュール、予測デコーダの3つのコアコンポーネントが含まれている。
- 参考スコア（独自算出の注目度）: 11.77238206600775
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study develops FusionTransNet, a framework designed for Origin-Destination (OD) flow predictions within smart and multimodal urban transportation systems. Urban transportation complexity arises from the spatiotemporal interactions among various traffic modes. Motivated by analyzing multimodal data from Shenzhen, a framework that can dissect complicated spatiotemporal interactions between these modes, from the microscopic local level to the macroscopic city-wide perspective, is essential. The framework contains three core components: the Intra-modal Learning Module, the Inter-modal Learning Module, and the Prediction Decoder. The Intra-modal Learning Module is designed to analyze spatial dependencies within individual transportation modes, facilitating a granular understanding of single-mode spatiotemporal dynamics. The Inter-modal Learning Module extends this analysis, integrating data across different modes to uncover cross-modal interdependencies, by breaking down the interactions at both local and global scales. Finally, the Prediction Decoder synthesizes insights from the preceding modules to generate accurate OD flow predictions, translating complex multimodal interactions into forecasts. Empirical evaluations conducted in metropolitan contexts, including Shenzhen and New York, demonstrate FusionTransNet's superior predictive accuracy compared to existing state-of-the-art methods. The implication of this study extends beyond urban transportation, as the method for transferring information across different spatiotemporal graphs at both local and global scales can be instrumental in other spatial systems, such as supply chain logistics and epidemics spreading.
- Abstract（参考訳）: 本研究は,スマート・マルチモーダル都市交通システムにおけるOrigin-Destination(OD)フロー予測のためのフレームワークであるFusionTransNetを開発する。
都市交通の複雑さは、様々な交通モード間の時空間的相互作用から生じる。
これらのモード間の複雑な時空間的相互作用を顕微鏡的な局部レベルからマクロ的な都市全体の観点から識別できるフレームワークである深センのマルチモーダルデータを解析することで動機付けが不可欠である。
このフレームワークには、モーダル内学習モジュール、モーダル間学習モジュール、予測デコーダの3つのコアコンポーネントが含まれている。
モーダル内学習モジュールは、個々の移動モード内の空間的依存関係を解析し、単一モードの時空間ダイナミクスの詳細な理解を容易にするように設計されている。
Inter-modal Learning Moduleはこの分析を拡張し、さまざまなモードにまたがるデータを統合して、ローカルとグローバルの両方のスケールでのインタラクションを分解することで、相互依存を明らかにする。
最後に、予測デコーダは、前のモジュールからの洞察を合成して正確なODフロー予測を生成し、複雑なマルチモーダル相互作用を予測に変換する。
深センやニューヨークなど大都市で実施された実証的な評価は、既存の最先端手法と比較して、FusionTransNetの予測精度が優れていることを示している。
本研究の意義は,サプライチェーンのロジスティクスやパンデミックの普及といった他の空間システムにおいて,地域規模およびグローバルスケールの異なる時空間グラフ間で情報を伝達する手法が有効であることから,都市交通以上のものとなる。
関連論文リスト
- DeepInteraction++: Multi-Modality Interaction for Autonomous Driving [80.8837864849534]
我々は,モダリティごとの個別表現を学習し,維持することのできる,新しいモダリティインタラクション戦略を導入する。
DeepInteraction++はマルチモーダルなインタラクション・フレームワークであり、マルチモーダルな表現型インタラクション・エンコーダとマルチモーダルな予測型インタラクション・デコーダを特徴とする。
実験では,3次元物体検出とエンドツーエンドの自律走行の両方において,提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2024-08-09T14:04:21Z) - Traffic Prediction considering Multiple Levels of Spatial-temporal Information: A Multi-scale Graph Wavelet-based Approach [3.343804744266258]
本研究では,複雑な交通ネットワークにおける交通状態を予測するためのグラフウェーブレット時間畳み込みネットワーク(MSGWTCN)を提案する。
シアトルのハイウェイネットワークやニューヨーク市マンハッタンの高密度道路ネットワークなど、モデルのパフォーマンスを調べるために、2つの実世界のデータセットが使用されている。
論文 参考訳（メタデータ） (2024-06-18T20:05:47Z) - xMTrans: Temporal Attentive Cross-Modality Fusion Transformer for Long-Term Traffic Prediction [3.08580339590996]
本稿では,長期交通予測,すなわちxMTransに対する時間的注意型クロスモーダルトランスモデルを提案する。
我々は,実世界のデータセットを用いて,交通渋滞とタクシー需要予測に関する提案モデルを評価する実験を行った。
論文 参考訳（メタデータ） (2024-05-08T06:29:26Z) - Energy-Guided Data Sampling for Traffic Prediction with Mini Training Datasets [13.065729535009925]
本稿では、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)アーキテクチャを融合して、トラフィックフローのダイナミクスを予測する革新的なソリューションを提案する。
本研究の重要な成果は,小規模な交通システムを対象としたシミュレーションから,大規模交通システムのトレーニングデータをサンプリングできることである。
論文 参考訳（メタデータ） (2024-03-27T15:57:42Z) - Large-Scale Traffic Congestion Prediction based on Multimodal Fusion and
Representation Mapping [5.893431681364435]
渋滞要因を分析して交通渋滞を判断する上で最も重要な課題の一つである。
交通渋滞を予測するため、従来型および機械学習ベースのモデルが導入されている。
本稿では,畳み込みニューラルネットワークに基づく新しいエンドツーエンドフレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-23T16:07:28Z) - Continuous-Time and Multi-Level Graph Representation Learning for
Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。
状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。
北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文 参考訳（メタデータ） (2022-06-30T03:37:50Z) - Parallel Successive Learning for Dynamic Distributed Model Training over
Heterogeneous Wireless Networks [50.68446003616802]
フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。
我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。
我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
論文 参考訳（メタデータ） (2022-02-07T05:11:01Z) - Joint Demand Prediction for Multimodal Systems: A Multi-task
Multi-relational Spatiotemporal Graph Neural Network Approach [7.481812882780837]
本研究では,マルチモーダル需要予測のためのマルチリレーショナルグラフニューラルネットワーク(MRGNN)を提案する。
マルチリレーショナルグラフニューラルネットワーク(MRGNN)を導入し,異種空間依存性を捉える。
実験はニューヨーク市の実際のデータセットを用いて行われる。
論文 参考訳（メタデータ） (2021-12-15T12:35:35Z) - Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust
Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。
CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。
実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文 参考訳（メタデータ） (2021-11-30T04:30:10Z) - Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal
Sentiment Analysis [96.46952672172021]
Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。
モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
論文 参考訳（メタデータ） (2021-07-28T23:33:42Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z)
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。