論文の概要: Development of a graph neural network surrogate for travel demand modelling

• arxiv url: http://arxiv.org/abs/2408.07726v2
• Date: Thu, 20 Mar 2025 10:47:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:32:24.376288
• Title: Development of a graph neural network surrogate for travel demand modelling
• Title（参考訳）: 旅行需要モデリングのためのグラフニューラルネットワークサロゲートの開発
• Authors: Nikita Makarov, Santhanakrishnan Narayanan, Constantinos Antoniou,
• Abstract要約: 本稿では,グラフニューラルネットワーク(GNN)アーキテクチャを代理モデルとして導入することにより,旅行需要モデリングの分野を推し進める。 GATv3はGCN(Graph Attention Network)の変種で、残余接続による過度なスムーシングを緩和する。 本稿では,回帰に匹敵する数値精度を達成しつつ,予測安定性を向上させる微粒な分類フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.175217022338634
• License:
• Abstract: As urban environments grow, the modelling of transportation systems becomes increasingly complex. This paper advances the field of travel demand modelling by introducing advanced Graph Neural Network (GNN) architectures as surrogate models, addressing key limitations of previous approaches. Building on prior work with Graph Convolutional Networks (GCNs), we introduce GATv3, a new Graph Attention Network (GAT) variant that mitigates over-smoothing through residual connections, enabling deeper and more expressive architectures. Additionally, we propose a fine-grained classification framework that improves predictive stability while achieving numerical precision comparable to regression, offering a more interpretable and efficient alternative. To enhance model performance, we develop a synthetic data generation strategy, which expands the augmented training dataset without overfitting. Our experiments demonstrate that GATv3 significantly improves classification performance, while the GCN model shows unexpected dominance in fine-grained classification when supplemented with additional training data. The results highlight the advantages of fine-grained classification over regression for travel demand modelling tasks and reveal new challenges in extending GAT-based architectures to complex transport scenarios. Notably, GATv3 appears well-suited for classification-based transportation applications, such as section control and congestion warning systems, which require a higher degree of differentiation among neighboring links. These findings contribute to refining GNN-based surrogates, offering new possibilities for applying GATv3 and fine-grained classification in broader transportation challenges.
• Abstract（参考訳）: 都市環境が成長するにつれて、交通システムのモデリングはますます複雑になる。 本稿では,グラフニューラルネットワーク(GNN)アーキテクチャを代理モデルとして導入し,従来のアプローチの重要な制約に対処することで,旅行需要モデリングの分野を前進させる。 Graph Convolutional Networks (GCNs) の以前の開発に基づいて、我々はGATv3というグラフ注意ネットワーク(GAT)の亜種を紹介した。 さらに、回帰に匹敵する数値精度を達成しつつ、予測安定性を改善し、より解釈可能で効率的な代替手段を提供する、きめ細かい分類フレームワークを提案する。 モデル性能を向上させるため,オーバーフィッティングを伴わない拡張トレーニングデータセットを拡張する合成データ生成戦略を開発した。 実験の結果,GATv3は分類性能を著しく向上する一方,GCNモデルは追加のトレーニングデータで補足した場合の粒度分類において予期せぬ優位性を示した。 この結果は,旅行需要モデリングタスクにおける回帰よりもきめ細かい分類の利点を強調し,GATアーキテクチャを複雑な輸送シナリオに拡張する上での新たな課題を明らかにする。 特に、GATv3は、近隣リンク間の高い差別化を必要とするセクション制御や混雑警告システムのような、分類ベースの輸送用途に適しているように見える。 これらの知見は, GNNをベースとしたサロゲートの精製に寄与し, GATv3およびより広範な輸送課題におけるきめ細かい分類の新たな可能性を提供する。

関連論文リスト

• TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
  本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。 提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
  論文  参考訳（メタデータ） (2024-11-23T05:31:25Z)
• Advanced RAG Models with Graph Structures: Optimizing Complex Knowledge Reasoning and Text Generation [7.3491970177535]
  本研究では,グラフニューラルネットワーク(GNN)を組み合わせたグラフ構造データ処理手法を提案する。 この結果から,本論文で提案するグラフベースRAGモデルは,品質,知識の整合性,推論能力の点で従来の世代モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-06T00:23:55Z)
• Learning Topological Representations with Bidirectional Graph Attention Network for Solving Job Shop Scheduling Problem [27.904195034688257]
  既存の学習に基づくジョブショップスケジューリング問題の解法(JSSP)は、通常、非方向性グラフに適した既製のGNNモデルを使用し、解離グラフ(DG)のリッチで有意義な位相構造を無視する。 本稿では,JSSP を解決するための DG を局所検索フレームワークに組み込むためのトポロジ対応双方向グラフアテンションネットワーク (TBGAT) を提案する。
  論文  参考訳（メタデータ） (2024-02-27T15:33:20Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
  本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。 実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Adaptive Depth Graph Attention Networks [19.673509341792606]
  グラフアテンションネットワーク(GAT)は、グラフ表現のための最も高度な学習アーキテクチャであると考えられている。 層数の増加に伴ってGATモデルの精度が制限される主な要因は,オーバーカッシング現象である。 本稿では,グラフの空間性に基づいた階層数を適応的に選択するGAT変種モデル-ADGATを提案する。
  論文  参考訳（メタデータ） (2023-01-16T05:22:29Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Towards a Taxonomy of Graph Learning Datasets [10.151886932716518]
  グラフニューラルネットワーク(GNN)は、基礎となるデータの固有のジオメトリを活用する能力によって、多くの注目を集めている。 本稿では,グラフ摂動の集合を慎重に設計することで,グラフベンチマークデータセットを分類する手法を提案する。 データ駆動によるグラフデータセットの分類は、重要なデータセット特性の新たな理解を提供する。
  論文  参考訳（メタデータ） (2021-10-27T23:08:01Z)
• Lightweight, Dynamic Graph Convolutional Networks for AMR-to-Text Generation [56.73834525802723]
  軽量な動的グラフ畳み込みネットワーク (LDGCN) を提案する。 LDGCNは入力グラフから高次情報を合成することにより、よりリッチな非局所的な相互作用をキャプチャする。 我々は,グループグラフの畳み込みと重み付き畳み込みに基づく2つの新しいパラメータ保存戦略を開発し,メモリ使用量とモデル複雑性を低減する。
  論文  参考訳（メタデータ） (2020-10-09T06:03:46Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。