論文の概要: Geographical Information Alignment Boosts Traffic Analysis via Transpose Cross-attention

• arxiv url: http://arxiv.org/abs/2412.02839v1
• Date: Tue, 03 Dec 2024 21:04:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:07:31.755397
• Title: Geographical Information Alignment Boosts Traffic Analysis via Transpose Cross-attention
• Title（参考訳）: 地理情報アライメントは、横断的注意による交通分析を促進する
• Authors: Xiangyu Jiang, Xiwen Chen, Hao Wang, Abolfazl Razi,
• Abstract要約: 地理情報アライメント(GIA)と呼ばれる共通GNNフレームワーク用のプラグイン・アンド・プレイモジュールを提案する。 このモジュールは、新しいTranspose Cross-attentionメカニズムを介して、ノード特徴と地理的位置情報を効率的に融合させることができる。 本手法では,F1スコアの1.3%から10.9%,AUCの0.3%から4.8%の利得が得られる。
• 参考スコア（独自算出の注目度）: 4.323740171581589
• License:
• Abstract: Traffic accident prediction is crucial for enhancing road safety and mitigating congestion, and recent Graph Neural Networks (GNNs) have shown promise in modeling the inherent graph-based traffic data. However, existing GNN- based approaches often overlook or do not explicitly exploit geographic position information, which often plays a critical role in understanding spatial dependencies. This is also aligned with our observation, where accident locations are often highly relevant. To address this issue, we propose a plug-in-and-play module for common GNN frameworks, termed Geographic Information Alignment (GIA). This module can efficiently fuse the node feature and geographic position information through a novel Transpose Cross-attention mechanism. Due to the large number of nodes for traffic data, the conventional cross-attention mechanism performing the node-wise alignment may be infeasible in computation-limited resources. Instead, we take the transpose operation for Query, Key, and Value in the Cross-attention mechanism, which substantially reduces the computation cost while maintaining sufficient information. Experimental results for both traffic occurrence prediction and severity prediction (severity levels based on the interval of recorded crash counts) on large-scale city-wise datasets confirm the effectiveness of our proposed method. For example, our method can obtain gains ranging from 1.3% to 10.9% in F1 score and 0.3% to 4.8% in AUC.
• Abstract（参考訳）: 交通事故予測は道路の安全向上と渋滞軽減に不可欠であり,近年のグラフニューラルネットワーク(GNN)は,グラフに基づく交通データモデリングにおいて有望であることを示す。 しかし、既存のGNNベースのアプローチは、しばしば空間的依存関係を理解する上で重要な役割を果たす地理的位置情報を見落としたり、明示的に利用したりしない。 これは、事故の場所が重要視されることが多い我々の観測とも一致しています。 この問題に対処するため,GIA(Geographic Information Alignment)と呼ばれる共通GNNフレームワーク用のプラグイン・アンド・プレイモジュールを提案する。 このモジュールは、新しいTranspose Cross-attentionメカニズムを介して、ノード特徴と地理的位置情報を効率的に融合させることができる。 トラフィックデータに対するノード数が多いため、従来のノードワイドアライメントを行うクロスアテンション機構は、計算に制限のあるリソースでは実現できない可能性がある。 代わりに、クロスアテンション機構におけるクエリ、キー、バリューの変換操作を取り、十分な情報を維持しながら計算コストを大幅に削減する。 大規模都市向けデータセットにおける交通発生予測と重大度予測(記録衝突回数間隔に基づく重大度予測)の両方の実験結果から,提案手法の有効性が確認された。 例えば、F1では1.3%から10.9%、AUCでは0.3%から4.8%の利得が得られる。

関連論文リスト

• Enhancing Graph Neural Networks in Large-scale Traffic Incident Analysis with Concurrency Hypothesis [2.3379022809760763]
  本稿では,交通インシデント予測タスクにおける一般グラフニューラルネットワーク(GNN)モデルの予測能力を高めるために,CP法を提案する。 提案手法により,GNNは仮説に示すような同時インシデント情報を,無視可能な余分なパラメータによるトークン化によって組み込むことができる。 米国内の州や都市にまたがる実世界のデータを活用する大規模な実験は、CPを12の最先端のGNNアーキテクチャに統合することで、大幅な改善をもたらすことを実証している。
  論文  参考訳（メタデータ） (2024-11-04T19:22:33Z)
• 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)
• A Sparse Cross Attention-based Graph Convolution Network with Auxiliary Information Awareness for Traffic Flow Prediction [41.66129197681683]
  この研究はAIMSANというディープエンコーダデコーダモデルを提案する。 補助情報認識モジュール(AIM)とスパースクロスアテンションベースのグラフ畳み込みネットワーク(SAN)を含んでいる。 提案手法は最先端のアルゴリズムと競合する性能を持つが、GPUメモリ使用量の35.74%、トレーニング時間の42.25%、検証時間の45.51%を節約できる。
  論文  参考訳（メタデータ） (2023-12-14T15:48:23Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• TAP: A Comprehensive Data Repository for Traffic Accident Prediction in Road Networks [36.975060335456035]
  既存の機械学習アプローチは、独立して交通事故を予測することに重点を置いている。 グラフ構造情報を組み込むには、グラフニューラルネットワーク(GNN)を自然に適用することができる。 GNNを事故予測問題に適用することは、適切なグラフ構造化交通事故データセットがないため、課題に直面します。
  論文  参考訳（メタデータ） (2023-04-17T22:18:58Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Detecting Owner-member Relationship with Graph Convolution Network in Fisheye Camera System [9.665475078766017]
  我々は,グラフ畳み込みネットワーク(GCN)を設計して,革新的な関係予測手法であるDeepWORDを提案する。 実験の結果,提案手法が最先端の精度と実時間性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2022-01-28T13:12:27Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Space Meets Time: Local Spacetime Neural Network For Traffic Flow Forecasting [11.495992519252585]
  このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。 交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。 提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
  論文  参考訳（メタデータ） (2021-09-11T09:04:35Z)
• 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。