論文の概要: A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections
- arxiv url: http://arxiv.org/abs/2406.00619v1
- Date: Sun, 2 Jun 2024 05:41:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 04:06:07.010142
- Title: A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections
- Title(参考訳): 信号区間における旋回運動の短期予測のための多グラフ畳み込みニューラルネットワークモデル
- Authors: Jewel Rana Palit, Osama A Osman,
- Abstract要約: 本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。
モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
- 参考スコア(独自算出の注目度): 0.6215404942415159
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic flow forecasting is a crucial first step in intelligent and proactive traffic management. Traffic flow parameters are volatile and uncertain, making traffic flow forecasting a difficult task if the appropriate forecasting model is not used. Additionally, the non-Euclidean data structure of traffic flow parameters is challenging to analyze from both spatial and temporal perspectives. State-of-the-art deep learning approaches use pure convolution, recurrent neural networks, and hybrid methods to achieve this objective efficiently. However, many of the approaches in the literature rely on complex architectures that can be difficult to train. This complexity also adds to the black-box nature of deep learning. This study introduces a novel deep learning architecture, referred to as the multigraph convolution neural network (MGCNN), for turning movement prediction at intersections. The proposed architecture combines a multigraph structure, built to model temporal variations in traffic data, with a spectral convolution operation to support modeling the spatial variations in traffic data over the graphs. The proposed model was tested using twenty days of flow and traffic control data collected from an arterial in downtown Chattanooga, TN, with ten signalized intersections. The model's ability to perform short-term predictions over 1, 2, 3, 4, and 5 minutes into the future was evaluated against four baseline state-of-the-art models. The results showed that our proposed model is superior to the other baseline models in predicting turning movements with a mean squared error (MSE) of 0.9
- Abstract(参考訳): 交通フロー予測は、インテリジェントで積極的な交通管理における重要な第一歩である。
交通フローパラメータは不安定で不確実であり、適切な予測モデルを使用しなければ交通フロー予測が難しい課題となる。
さらに、トラフィックフローパラメータの非ユークリッドデータ構造は、空間的および時間的視点の両方から分析することが困難である。
最先端のディープラーニングアプローチでは、純粋な畳み込み、リカレントニューラルネットワーク、ハイブリッド手法を使用して、この目的を効率的に達成している。
しかし、文学における多くのアプローチは、訓練が難しい複雑なアーキテクチャに依存している。
この複雑さは、ディープラーニングのブラックボックスの性質も増す。
本研究では,多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを導入し,交差点での移動予測を行う。
提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。
提案手法は, チャタヌーガ中心街の幹線道路から収集した20日間の流路データと交通制御データを用いて, 10つの信号化交差点を用いて実験を行った。
モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
その結果,提案モデルは平均二乗誤差(MSE)0.9の回転運動予測において,他のベースラインモデルよりも優れていることがわかった。
関連論文リスト
- Dynamic Hypergraph Structure Learning for Traffic Flow Forecasting [35.0288931087826]
交通流予測は、過去のネットワークと交通条件に基づいて将来の交通状況を予測することを目的としている。
この問題は、遠時ニューラルネットワーク(GNN)を用いた交通データにおける複雑な時間相関をモデル化することによって、典型的に解決される。
既存の手法は、近隣情報を線形に集約するメッセージパッシングのパラダイムに従っている。
本稿では,交通流予測のための動的ハイパー構造学習(DyHSL)モデルを提案する。
論文 参考訳(メタデータ) (2023-09-21T12:44:55Z) - Dynamic Causal Graph Convolutional Network for Traffic Prediction [19.759695727682935]
本稿では,時間変動動的ネットワークを組み込んだトラフィック予測手法を提案する。
次に、グラフ畳み込みネットワークを使用してトラフィック予測を生成します。
実交通データを用いた実験結果から,提案手法の予測性能が優れていることを示す。
論文 参考訳(メタデータ) (2023-06-12T10:46:31Z) - 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) - 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) - 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) - A spatial-temporal short-term traffic flow prediction model based on
dynamical-learning graph convolution mechanism [0.0]
短期的な交通流予測は知的交通システム(ITS)の重要な分岐であり、交通管理において重要な役割を果たしている。
グラフ畳み込みネットワーク(GCN)は道路網のグラフィカルな構造データを扱うために交通予測モデルで広く利用されている。
この欠点に対処するために、新しい位置グラフ畳み込みネットワーク(Location-GCN)を提案する。
論文 参考訳(メタデータ) (2022-05-10T09:19:12Z) - Residual Graph Convolutional Recurrent Networks For Multi-step Traffic
Flow Forecasting [12.223433627287605]
我々は、Residual Graph Convolutional Recurrent Network(RGCRN)という新しい時空間予測モデルを提案する。
このモデルでは,提案したResidual Graph Convolutional Network (ResGCN) を用いて,道路網の微細な空間相関を捉える。
2つの実際のデータセットの比較実験の結果、RCCRNは最高のベースラインモデルと比較して平均20.66%改善していることがわかった。
論文 参考訳(メタデータ) (2022-05-03T13:23:38Z) - Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel
Attention-Based Spatio-Temporal Graph Convolutional Networks [4.318655493189584]
建設工事の影響下での交通速度予測モデルを提案する。
このモデルは、強力なアテンションベースの時間グラフ畳み込みアーキテクチャに基づいているが、様々なチャネルを利用して異なる情報ソースを統合する。
このモデルは、2つのベンチマークデータセットと、北バージニアの散らかった道路の角で収集した新しいデータセットで評価されている。
論文 参考訳(メタデータ) (2021-10-04T16:07:37Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳(メタデータ) (2021-04-27T18:17:42Z) - 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) - 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。