論文の概要: Leveraging Intra-Period and Inter-Period Features for Enhanced Passenger Flow Prediction of Subway Stations

• arxiv url: http://arxiv.org/abs/2410.14727v1
• Date: Wed, 16 Oct 2024 03:14:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:17:44.607813
• Title: Leveraging Intra-Period and Inter-Period Features for Enhanced Passenger Flow Prediction of Subway Stations
• Title（参考訳）: 地下鉄駅の交通流予測における周辺・周辺特性の活用
• Authors: Xiannan Huang, Chao Yang, Quan Yuan,
• Abstract要約: 地下鉄駅の短期旅客フロー予測は、駅員が乗客数の変化に積極的に対応できるようにする上で重要な役割を担っている。 異なる期間、特に時代内および時代間の特徴を効果的に統合する研究が欠如している。 我々はtextbfMuti textbfPeriod textbfSpatial bfbfTemporal textbfMPSTN という新しいモデルを提案する。
• 参考スコア（独自算出の注目度）: 4.911867249390154
• License:
• Abstract: Accurate short-term passenger flow prediction of subway stations plays a vital role in enabling subway station personnel to proactively address changes in passenger volume. Despite existing literature in this field, there is a lack of research on effectively integrating features from different periods, particularly intra-period and inter-period features, for subway station passenger flow prediction. In this paper, we propose a novel model called \textbf{M}uti \textbf{P}eriod \textbf{S}patial \textbf{T}emporal \textbf{N}etwork \textbf{MPSTN}) that leverages features from different periods by transforming one-dimensional time series data into two-dimensional matrices based on periods. The folded matrices exhibit structural characteristics similar to images, enabling the utilization of image processing techniques, specifically convolutional neural networks (CNNs), to integrate features from different periods. Therefore, our MPSTN model incorporates a CNN module to extract temporal information from different periods and a graph neural network (GNN) module to integrate spatial information from different stations. We compared our approach with various state-of-the-art methods for spatiotemporal data prediction using a publicly available dataset and achieved minimal prediction errors. The code for our model is publicly available in the following repository: https://github.com/xiannanhuang/MPSTN
• Abstract（参考訳）: 地下鉄の駅員が乗客数の変化に積極的に対処できるように、地下鉄の駅の正確な短期的旅客フロー予測は重要な役割を担っている。 この分野では、既存の文献にもかかわらず、地下鉄駅の旅客流予測において、時代・時代・時代によって異なる特徴、特に時代・時代を効果的に統合する研究が欠如している。 本稿では, 1次元時系列データを2次元行列に変換することで, 異なる周期の特徴を生かした新しいモデルを提案する。 折り畳まれた行列は、画像に似た構造特性を示し、画像処理技術、特に畳み込みニューラルネットワーク(CNN)を活用して、異なる期間の特徴を統合する。 このため,MPSTNモデルでは,異なる期間から時間情報を抽出するためのCNNモジュールと,異なる局から空間情報を統合するためのグラフニューラルネットワーク(GNN)モジュールが組み込まれている。 提案手法を,公開データセットを用いた時空間データ予測のための様々な最先端手法と比較し,最小限の予測誤差を達成した。 私たちのモデルのコードは、以下のリポジトリで公開されています。

関連論文リスト

• ArrivalNet: Predicting City-wide Bus/Tram Arrival Time with Two-dimensional Temporal Variation Modeling [10.788986436621364]
  バスと路面電車のための2次元時間変動に基づく多段階ATPであるtextitArrivalNetを提案する。 1次元の時間列を周期内および周期間変分に分解し、2次元テンソルに再キャストする。 異なる周波数で変換された2Dブロックは、コンピュータビジョンのバックボーンで効果的な学習を可能にする画像のような特徴表現を持つ。
  論文  参考訳（メタデータ） (2024-10-17T10:17:23Z)
• Multiple Areal Feature Aware Transportation Demand Prediction [2.996323123990199]
  本稿では,多機能グラフ畳み込みリカレントネットワーク(ST-MFGCRN)を提案する。 提案手法を実世界の2つの交通データセット上で評価する。
  論文  参考訳（メタデータ） (2024-08-23T07:51:10Z)
• Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers [55.475142494272724]
  時系列予測は、様々な領域における複雑な力学の理解と予測に不可欠である。 GridTSTは、革新的な多方向性の注意を用いた2つのアプローチの利点を組み合わせたモデルである。 このモデルは、さまざまな現実世界のデータセットに対して、常に最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-05-22T16:41:21Z)
• LSTTN: A Long-Short Term Transformer-based Spatio-temporal Neural Network for Traffic Flow Forecasting [4.913321495945671]
  交通流の長期的・短期的表現を学習するためにLSTTN(Long-term Transformer-based Network)を提案する。 LSTTNは、予測結果を得るために、長期的傾向、周期的特徴、短期的特徴を融合する。 実験では、LSTTNは最低5.63%の改善を達成し、ベースラインモデルよりも最大16.78%改善した。
  論文  参考訳（メタデータ） (2024-03-25T07:23:23Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis [80.56913334060404]
  時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。 従来の手法では、1D時系列から直接これを達成しようと試みていた。 複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
  論文  参考訳（メタデータ） (2022-10-05T12:19:51Z)
• Pre-training Enhanced Spatial-temporal Graph Neural Network for Multivariate Time Series Forecasting [13.441945545904504]
  スケーラブルな時系列事前学習モデル(STEP)によりSTGNNが拡張される新しいフレームワークを提案する。 具体的には、非常に長期の歴史時系列から時間パターンを効率的に学習するための事前学習モデルを設計する。 我々のフレームワークは下流のSTGNNを著しく強化することができ、事前学習モデルは時間パターンを適切にキャプチャする。
  論文  参考訳（メタデータ） (2022-06-18T04:24:36Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Multi-View TRGRU: Transformer based Spatiotemporal Model for Short-Term Metro Origin-Destination Matrix Prediction [12.626657411944949]
  ODメトロマトリクス予測に対処するハイブリド・フレームワークであるMulti-view TRGRUを提案する。 特に、最近のトレンド、日々のトレンド、毎週のトレンドという3つのフロー変化パターンをモデル化するために、3つのモジュールを使用する。 各モジュールにおいて、各ステーションへの埋め込みに基づくマルチビュー表現を構築し、トランスをベースとした再ゲート電流構造に供給する。
  論文  参考訳（メタデータ） (2021-08-09T09:32:42Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。