論文の概要: Efficient Large-Scale Traffic Forecasting with Transformers: A Spatial Data Management Perspective

• arxiv url: http://arxiv.org/abs/2412.09972v2
• Date: Tue, 31 Dec 2024 03:52:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-03 17:39:13.445513
• Title: Efficient Large-Scale Traffic Forecasting with Transformers: A Spatial Data Management Perspective
• Title（参考訳）: 変圧器を用いた大規模交通予測の効率化:空間データ管理の観点から
• Authors: Yuchen Fang, Yuxuan Liang, Bo Hui, Zezhi Shao, Liwei Deng, Xu Liu, Xinke Jiang, Kai Zheng,
• Abstract要約: 本稿では,大規模トラフィック予測のための空間依存性をモデル化するPatchSTGという新しいトランスフォーマーフレームワークを提案する。 具体的には,トランスフォーマーの動的計算に関わる点数を削減するために,新しい不規則な空間パッチを設計する。 4つの実世界の大規模トラフィックデータセットによる実験結果から、当社のPatchSTGは、最先端のパフォーマンスで、列車の速度とメモリ使用率の改善を最大10倍と4倍に向上することが示された。
• 参考スコア（独自算出の注目度）: 25.49458885849072
• License:
• Abstract: Road traffic forecasting is crucial in real-world intelligent transportation scenarios like traffic dispatching and path planning in city management and personal traveling. Spatio-temporal graph neural networks (STGNNs) stand out as the mainstream solution in this task. Nevertheless, the quadratic complexity of remarkable dynamic spatial modeling-based STGNNs has become the bottleneck over large-scale traffic data. From the spatial data management perspective, we present a novel Transformer framework called PatchSTG to efficiently and dynamically model spatial dependencies for large-scale traffic forecasting with interpretability and fidelity. Specifically, we design a novel irregular spatial patching to reduce the number of points involved in the dynamic calculation of Transformer. The irregular spatial patching first utilizes the leaf K-dimensional tree (KDTree) to recursively partition irregularly distributed traffic points into leaf nodes with a small capacity, and then merges leaf nodes belonging to the same subtree into occupancy-equaled and non-overlapped patches through padding and backtracking. Based on the patched data, depth and breadth attention are used interchangeably in the encoder to dynamically learn local and global spatial knowledge from points in a patch and points with the same index of patches. Experimental results on four real world large-scale traffic datasets show that our PatchSTG achieves train speed and memory utilization improvements up to $10\times$ and $4\times$ with the state-of-the-art performance.
• Abstract（参考訳）: 道路交通予測は、都市管理や個人旅行における交通派遣や経路計画といった、現実のインテリジェントな交通シナリオにおいて不可欠である。 時空間グラフニューラルネットワーク(STGNN)がこのタスクの主要なソリューションである。 しかし, 空間モデリングに基づくSTGNNの2次的複雑性は, 大規模トラフィックデータのボトルネックとなっている。 空間データ管理の観点から,大規模トラフィック予測のための空間依存性を効率よく動的にモデル化する,PatchSTGと呼ばれる新しいトランスフォーマーフレームワークを提案する。 具体的には,トランスフォーマーの動的計算に関わる点数を削減するために,新しい不規則な空間パッチを設計する。 不規則な空間パッチングは、まず、葉K次元木(KDTree)を用いて、不規則に分散されたトラフィックポイントを小さな容量で葉ノードに再帰的に分割し、その後、同じサブツリーに属する葉ノードを、パディングとバックトラックによって、占有不平等および非オーバーラップパッチにマージする。 パッチデータに基づいて、エンコーダで奥行きと広さの注意を交互に使い、パッチ内の点から局所的およびグローバルな空間的知識を動的に学習し、パッチのインデックスを同じとする。 4つの実世界の大規模トラフィックデータセットの実験結果から、当社のPatchSTGは、最先端のパフォーマンスで、列車の速度とメモリ使用率の改善を最大10\times$と4\times$に達成している。

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)
• STGformer: Efficient Spatiotemporal Graph Transformer for Traffic Forecasting [11.208740750755025]
  交通はスマートシティマネジメントの基盤であり、効率的なアロケーションと交通計画を可能にしている。 ディープラーニングは、データの複雑な非線形パターンをキャプチャする能力を持ち、トラフィック予測の強力なツールとして登場した。 グラフニューラルネットワーク(GCN)とトランスフォーマーベースのモデルは、将来性を示しているが、その計算要求はしばしば、現実のネットワークへの応用を妨げる。 本稿では,管理可能な計算フットプリントを維持しつつ,グローバルおよびローカルの両方のトラフィックパターンの効率的なモデリングを可能にする新しいテンポラルグラフトランスフォーマー(STG)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:15:48Z)
• DST-GTN: Dynamic Spatio-Temporal Graph Transformer Network for Traffic Forecasting [6.5236608844840775]
  様々な時間に空間特性をカプセル化する動的時空間特徴 (Dyn-ST) という,詳細な特徴表現を新たに導入する。 DST-GTN(Dynamic Spatio-Temporal Graph Transformer Network)を提案する。 DST-GTNは、様々な交通予測タスクの最先端性能を達成し、安定性の向上を示す。
  論文  参考訳（メタデータ） (2024-04-18T08:44:52Z)
• 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)
• 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)
• STLGRU: Spatio-Temporal Lightweight Graph GRU for Traffic Flow Prediction [0.40964539027092917]
  本稿では,交通流を正確に予測する新しい交通予測モデルSTLGRUを提案する。 提案するSTLGRUは,交通ネットワークの局所的・大域的空間的関係を効果的に捉えることができる。 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） (2022-12-08T20:24:59Z)
• 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)
• Dynamic Spatial Sparsification for Efficient Vision Transformers and Convolutional Neural Networks [88.77951448313486]
  視覚データにおける空間空間空間性を利用したモデルアクセラレーションのための新しい手法を提案する。 本稿では,冗長トークンを具現化する動的トークンスペーシフィケーションフレームワークを提案する。 提案手法は,CNNや階層型視覚変換器などの階層モデルに拡張する。
  論文  参考訳（メタデータ） (2022-07-04T17:00:51Z)
• STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention Network for Traffic Forecasting [7.232141271583618]
  非効率な時空間継手線形注意(SSTLA)と呼ばれる交通予測のための新しいディープラーニングモデルを提案する。 SSTLAは、全時間ノード間のグローバル依存を効率的に捉えるために、ジョイントグラフに線形注意を適用する。 実世界の2つの交通データセットであるイングランドとテンポラル7の実験は、我々のSTJLAが最先端のベースラインよりも9.83%と3.08%の精度でMAE測定を達成できることを示した。
  論文  参考訳（メタデータ） (2021-12-04T06:39:18Z)
• 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)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)

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。