Fugu-MT 論文翻訳(概要): Large-Scale Demand Prediction in Urban Rail using Multi-Graph Inductive Representation Learning

論文の概要: Large-Scale Demand Prediction in Urban Rail using Multi-Graph Inductive Representation Learning

arxiv url: http://arxiv.org/abs/2408.15619v1
Date: Wed, 28 Aug 2024 08:20:05 GMT
ステータス: 処理完了
システム内更新日: 2024-08-29 16:53:03.831621
Title: Large-Scale Demand Prediction in Urban Rail using Multi-Graph Inductive Representation Learning
Title（参考訳）: 多グラフ帰納的表現学習を用いた都市鉄道における大規模需要予測
Authors: Dang Viet Anh Nguyen, J. Victor Flensburg, Fabrizio Cerreto, Bianca Pascariu, Paola Pellegrini, Carlos Lima Azevedo, Filipe Rodrigues,
Abstract要約: 本稿では,大規模URTネットワークを対象としたMulti-Graph Inductive Representation Learning(mGraphSAGE)と呼ばれるOrigin-Destination(OD)需要予測モデルを提案する。本稿では,日常業務の需要予測において,列車の遅延やキャンセルなどの運用上の不確実性を入力として含めることの重要性を示す。実験の結果,mGraphSAGEは大規模URTネットワークにおけるOD需要予測に特に適しており,参照機械学習手法よりも優れていた。
参考スコア（独自算出の注目度）: 3.50829382426517
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the expansion of cities over time, URT (Urban Rail Transit) networks have also grown significantly. Demand prediction plays an important role in supporting planning, scheduling, fleet management, and other operational decisions. In this study, we propose an Origin-Destination (OD) demand prediction model called Multi-Graph Inductive Representation Learning (mGraphSAGE) for large-scale URT networks under operational uncertainties. Our main contributions are twofold: we enhance prediction results while ensuring scalability for large networks by relying simultaneously on multiple graphs, where each OD pair is a node on a graph and distinct OD relationships, such as temporal and spatial correlations; we show the importance of including operational uncertainties such as train delays and cancellations as inputs in demand prediction for daily operations. The model is validated on three different scales of the URT network in Copenhagen, Denmark. Experimental results show that by leveraging information from neighboring ODs and learning node representations via sampling and aggregation, mGraphSAGE is particularly suitable for OD demand prediction in large-scale URT networks, outperforming reference machine learning methods. Furthermore, during periods with train cancellations and delays, the performance gap between mGraphSAGE and other methods improves compared to normal operating conditions, demonstrating its ability to leverage system reliability information for predicting OD demand under uncertainty.
Abstract（参考訳）: 都市の拡大に伴い、URT(Urban Rail Transit)ネットワークも大幅に成長した。需要予測は、計画、スケジューリング、艦隊管理、その他の運用上の決定を支援する上で重要な役割を果たす。本研究では,大規模URTネットワークを対象としたMulti-Graph Inductive Representation Learning(mGraphSAGE)と呼ばれるOrigin-Destination (OD)需要予測モデルを提案する。各ODペアはグラフ上のノードであり,時間的および空間的相関関係などの異なるOD関係を持つ。我々は,列車遅延やキャンセルなどの運用上の不確実性を日常業務の需要予測の入力として含めることの重要性を示す。このモデルはデンマークのコペンハーゲンにあるURTネットワークの3つの異なるスケールで検証されている。実験の結果,mGraphSAGEは大規模URTネットワークにおけるOD需要予測に特に適しており,参照機械学習手法よりも優れていることがわかった。さらに、列車のキャンセルや遅延の期間において、mGraphSAGEと他の手法のパフォーマンスギャップは通常の運転条件と比較して改善され、システム信頼性情報を利用して不確実性の下でOD需要を予測する能力が実証された。

関連論文リスト

Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文参考訳（メタデータ） (2024-11-01T00:37:00Z)
Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
論文参考訳（メタデータ） (2023-10-17T05:03:00Z)
Railway Network Delay Evolution: A Heterogeneous Graph Neural Network Approach [13.698723915277771]
列車、列車、駅間の相互作用を捉え、異なるエッジに基づいて駅や他の駅間での遅延進化を捉えることを目的としている。提案したSAGE-Hetモデルの性能とロバスト性をテストするために,中国鉄道網の2つのサブネットワークのデータを適用した。
論文参考訳（メタデータ） (2023-03-27T12:08:34Z)
GT-CausIn: a novel causal-based insight for traffic prediction [4.399130897743016]
本稿では,因果関係をグラフ拡散層と時間畳み込みネットワーク層と統合したグラフ空間時間ネットワーク(GT-CausIn)を提案する。 P.EMS-BAYとMETR-LAの2つの実世界の交通データセットで実験が行われ、GT-CausInは中期および長期の予測において最先端のモデルを著しく上回っている。
論文参考訳（メタデータ） (2022-12-12T09:09:39Z)
Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
論文参考訳（メタデータ） (2022-11-01T14:38:18Z)
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)
Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases [7.173242326298134]
多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
論文参考訳（メタデータ） (2022-03-08T09:46:50Z)
STG-GAN: A spatiotemporal graph generative adversarial networks for short-term passenger flow prediction in urban rail transit systems [11.167132464665578]
短期の旅客フロー予測は、都市交通システムを管理する上で重要であるが、難しい課題である。本稿では,予測精度が高く,高い効率,メモリ占有率の低い,ディープラーニングに基づく時間グラフ生成対向ネットワーク(STG-GAN)モデルを提案する。本研究は、特に現実の応用の観点から、短期の乗客フロー予測を行う上で、批判的な経験を提供することができる。
論文参考訳（メタデータ） (2022-02-10T13:18:11Z)
Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。 d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
論文参考訳（メタデータ） (2021-08-20T11:53:05Z)
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。