論文の概要: Causally-Aware Spatio-Temporal Multi-Graph Convolution Network for Accurate and Reliable Traffic Prediction
- arxiv url: http://arxiv.org/abs/2408.13293v1
- Date: Fri, 23 Aug 2024 14:35:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-27 20:08:51.107170
- Title: Causally-Aware Spatio-Temporal Multi-Graph Convolution Network for Accurate and Reliable Traffic Prediction
- Title（参考訳）: 高精度かつ信頼性の高い交通予測のための因果的時空間多重グラフ畳み込みネットワーク
- Authors: Pingping Dong, Xiao-Lin Wang, Indranil Bose, Kam K. H. Ng, Xiaoning Zhang, Xiaoge Zhang,
- Abstract要約: 本研究は,高精度かつ信頼性の高い予測を行うための高度な深層学習モデルを実証するために,時間的問題-トラヒック予測の事例に焦点を当てた。
本稿では,3つの主要コンポーネントを有効活用し,高精度かつ信頼性の高いトラフィック予測を行う,エンドツーエンドのトラフィック予測フレームワークを提案する。
2つの実世界の交通データセットの実験結果から,この手法は予測精度においていくつかの最先端モデルより優れていることが示された。
- 参考スコア（独自算出の注目度）: 5.200012764049096
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and reliable prediction has profound implications to a wide range of applications. In this study, we focus on an instance of spatio-temporal learning problem--traffic prediction--to demonstrate an advanced deep learning model developed for making accurate and reliable forecast. Despite the significant progress in traffic prediction, limited studies have incorporated both explicit and implicit traffic patterns simultaneously to improve prediction performance. Meanwhile, the variability nature of traffic states necessitates quantifying the uncertainty of model predictions in a statistically principled way; however, extant studies offer no provable guarantee on the statistical validity of confidence intervals in reflecting its actual likelihood of containing the ground truth. In this paper, we propose an end-to-end traffic prediction framework that leverages three primary components to generate accurate and reliable traffic predictions: dynamic causal structure learning for discovering implicit traffic patterns from massive traffic data, causally-aware spatio-temporal multi-graph convolution network (CASTMGCN) for learning spatio-temporal dependencies, and conformal prediction for uncertainty quantification. CASTMGCN fuses several graphs that characterize different important aspects of traffic networks and an auxiliary graph that captures the effect of exogenous factors on the road network. On this basis, a conformal prediction approach tailored to spatio-temporal data is further developed for quantifying the uncertainty in node-wise traffic predictions over varying prediction horizons. Experimental results on two real-world traffic datasets demonstrate that the proposed method outperforms several state-of-the-art models in prediction accuracy; moreover, it generates more efficient prediction regions than other methods while strictly satisfying the statistical validity in coverage.
- Abstract（参考訳）: 正確で信頼性の高い予測は、幅広い応用に重大な影響を与える。
本研究では,高精度かつ信頼性の高い予測を行うために開発された高度な深層学習モデルを示すために,時空間学習問題-トラヒック予測-の事例に焦点を当てた。
交通予測の大幅な進歩にもかかわらず、予測性能を向上させるために、暗黙的な交通パターンと暗黙的な交通パターンの両方を同時に組み込んだ研究が限られている。
一方、交通状態の変動性の性質は、統計的に原則化された方法でモデル予測の不確かさを定量化する必要があるが、現存する研究は、その実際の真理を含む可能性を反映して、信頼区間の統計的妥当性を証明可能な保証を与えていない。
本稿では,大規模トラフィックデータから暗黙的トラフィックパターンを検出する動的因果構造学習,時空間依存を学習するための因果的時空間多重グラフ畳み込みネットワーク(CASTMGCN),不確実性定量化のための共形予測という,3つの主要成分を活用するエンドツーエンドトラフィック予測フレームワークを提案する。
CASTMGCNは、交通ネットワークの異なる重要な側面を特徴付けるいくつかのグラフと、道路ネットワークにおける外因性要因の影響を捉える補助グラフを融合する。
このことから, 時空間データに適した共形予測手法が開発され, 様々な予測地平線上でのノード単位の交通予測の不確かさの定量化が図られた。
2つの実世界の交通データセットによる実験結果から,提案手法は予測精度においていくつかの最先端モデルよりも優れており,また,適用範囲の統計的妥当性を厳密に満たしつつ,他の手法よりも効率的な予測領域を生成する。
関連論文リスト
- MSCT: Addressing Time-Varying Confounding with Marginal Structural Causal Transformer for Counterfactual Post-Crash Traffic Prediction [24.3907895281179]
本稿では,ポストクラッシュ交通予測のための新しい深層学習モデルを提案する。
提案モデルでは, 仮説的衝突介入戦略の下での交通速度の理解と予測に特化して, 処理を意識したモデルを提案する。
このモデルは、合成データと実世界のデータの両方を用いて検証され、MSCTがマルチステップ・アヘッド予測性能において最先端モデルより優れていることを示す。
論文 参考訳（メタデータ） (2024-07-19T06:42:41Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - A Multi-Channel Spatial-Temporal Transformer Model for Traffic Flow Forecasting [0.0]
交通流予測のための多チャンネル時空間変圧器モデルを提案する。
トラフィックデータの異なるチャネルから結果を抽出することにより、予測の精度を向上させる。
6つの実世界のデータセットの実験結果から,時間モデルにマルチチャネル機構を導入することにより,性能が向上することが示された。
論文 参考訳（メタデータ） (2024-05-10T06:37:07Z) - Certified Human Trajectory Prediction [66.1736456453465]
交通予知は自動運転車に不可欠な役割を担っている。
本稿では,軌道予測作業に適した認証手法を提案する。
非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
論文 参考訳（メタデータ） (2024-03-20T17:41:35Z) - Uncertainty Quantification for Image-based Traffic Prediction across
Cities [63.136794104678025]
不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。
複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。
モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
論文 参考訳（メタデータ） (2023-08-11T13:35:52Z) - 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) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Practical Adversarial Attacks on Spatiotemporal Traffic Forecasting
Models [9.885060319609831]
既存の手法は信頼性が高く偏りのない予測環境を前提としており、必ずしも野生では利用できない。
我々は,すべてのデータソースを同時に攻撃する代わりに,現実的な敵攻撃フレームワークを提案する。
理論的には、敵の交通予測攻撃の最悪の性能境界を実証する。
論文 参考訳（メタデータ） (2022-10-05T02:25:10Z) - 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) - AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network
for Traffic Forecasting [12.284512000306314]
交通予測手法に外部要因を統合するための属性拡張時間グラフ畳み込みネットワーク(AST-GCN)を提案する。
従来の交通予測手法と比較して,交通予測タスクの外部情報を考慮した場合の有効性を示す。
論文 参考訳（メタデータ） (2020-11-22T12:49:55Z) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳（メタデータ） (2020-04-26T00:01:49Z)
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。