論文の概要: TEAM: Topological Evolution-aware Framework for Traffic Forecasting--Extended Version

• arxiv url: http://arxiv.org/abs/2410.19192v2
• Date: Fri, 01 Nov 2024 09:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-04 14:32:20.629449
• Title: TEAM: Topological Evolution-aware Framework for Traffic Forecasting--Extended Version
• Title（参考訳）: TEAM: トラフィック予測のためのトポロジ的進化認識フレームワーク-拡張バージョン
• Authors: Duc Kieu, Tung Kieu, Peng Han, Bin Yang, Christian S. Jensen, Bac Le,
• Abstract要約: 交通予測のためのトポロジカル進化認識フレームワーク(TEAM)には、畳み込みと注意が組み込まれている。 TEAMは、予測精度を損なうことなく、既存の方法よりもはるかに低い再訓練コストを削減できる。
• 参考スコア（独自算出の注目度）: 24.544665297938437
• License:
• Abstract: Due to the global trend towards urbanization, people increasingly move to and live in cities that then continue to grow. Traffic forecasting plays an important role in the intelligent transportation systems of cities as well as in spatio-temporal data mining. State-of-the-art forecasting is achieved by deep-learning approaches due to their ability to contend with complex spatio-temporal dynamics. However, existing methods assume the input is fixed-topology road networks and static traffic time series. These assumptions fail to align with urbanization, where time series are collected continuously and road networks evolve over time. In such settings, deep-learning models require frequent re-initialization and re-training, imposing high computational costs. To enable much more efficient training without jeopardizing model accuracy, we propose the Topological Evolution-aware Framework (TEAM) for traffic forecasting that incorporates convolution and attention. This combination of mechanisms enables better adaptation to newly collected time series, while being able to maintain learned knowledge from old time series. TEAM features a continual learning module based on the Wasserstein metric that acts as a buffer that can identify the most stable and the most changing network nodes. Then, only data related to stable nodes is employed for re-training when consolidating a model. Further, only data of new nodes and their adjacent nodes as well as data pertaining to changing nodes are used to re-train the model. Empirical studies with two real-world traffic datasets offer evidence that TEAM is capable of much lower re-training costs than existing methods are, without jeopardizing forecasting accuracy.
• Abstract（参考訳）: グローバルな都市化の傾向から、人々はますます成長を続ける都市に移り住み続ける。 交通予報は、都市のインテリジェント交通システムや時空間データマイニングにおいて重要な役割を果たす。 最先端の予測は、複雑な時空間力学と競合する能力によって、ディープラーニングアプローチによって達成される。 しかし、既存の手法では、入力は固定トポロジー道路網と静的交通時系列であると仮定している。 これらの仮定は、時系列が継続的に収集され、道路ネットワークが時間とともに進化する都市化と一致しない。 このような設定では、ディープラーニングモデルは頻繁に再初期化と再訓練を必要とし、高い計算コストを課す。 モデル精度を損なうことなく、より効率的なトレーニングを可能にするために、畳み込みと注意を組み込んだ交通予測のためのTopological Evolution-Aware Framework(TEAM)を提案する。 この組み合わせにより、新しく収集された時系列への適応性が向上し、古い時系列から学習した知識を維持できる。 TEAMはWassersteinメトリックに基づいた継続的な学習モジュールを備えており、バッファとして機能し、最も安定したネットワークノードと最も変化するネットワークノードを識別できる。 そして、モデルを統合する際には、安定ノードに関連するデータのみを再トレーニングに使用する。 さらに、モデルの再トレーニングには、新しいノードとその隣接ノードのデータだけでなく、変更ノードに関連するデータのみを使用する。 2つの実世界のトラフィックデータセットを用いた実証研究は、TEAMが予測精度を損なうことなく、既存の方法よりもはるかに低い再トレーニングコストを実現できることを示す。

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)
• Robust Traffic Forecasting against Spatial Shift over Years [11.208740750755025]
  新たに提案したトラフィックOODベンチマークを用いて,時空間技術モデルについて検討する。 これらのモデルのパフォーマンスが著しく低下していることが分かりました。 そこで我々は,学習中にグラフ生成器の集合を学習し,それらを組み合わせて新しいグラフを生成するMixture Expertsフレームワークを提案する。 我々の手法は相似的かつ有効であり、任意の時間モデルにシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-10-01T03:49:29Z)
• Navigating Spatio-Temporal Heterogeneity: A Graph Transformer Approach for Traffic Forecasting [13.309018047313801]
  交通予測はスマートシティの発展において重要な研究分野として浮上している。 最短時間相関のためのネットワークモデリングの最近の進歩は、パフォーマンスのリターンが低下し始めている。 これらの課題に対処するために、時空間グラフ変換器(STGormer)を導入する。 本研究では,その構造に基づく空間符号化手法を2つ設計し,時間位置をバニラ変圧器に統合して時間的トラフィックパターンをキャプチャする。
  論文  参考訳（メタデータ） (2024-08-20T13:18:21Z)
• 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)
• Improving Demand Forecasting in Open Systems with Cartogram-Enhanced Deep Learning [2.684349361878955]
  本研究では,カルトグラム手法を用いてレンタル・リターンパターンを予測するためのディープラーニングフレームワークを提案する。 本手法を韓国ソウル市における自転車レンタル・アンド・リターンデータに適用する。
  論文  参考訳（メタデータ） (2024-03-24T07:29:12Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• 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)
• Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
  Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2022-02-23T18:23:07Z)
• 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)
• Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
  混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。 生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。 我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
  論文  参考訳（メタデータ） (2020-06-23T08:49:46Z)

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。