論文の概要: MHGNet: Multi-Heterogeneous Graph Neural Network for Traffic Prediction

• arxiv url: http://arxiv.org/abs/2501.03635v1
• Date: Tue, 07 Jan 2025 09:10:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:50:24.028628
• Title: MHGNet: Multi-Heterogeneous Graph Neural Network for Traffic Prediction
• Title（参考訳）: MHGNet:交通予測のための多元グラフニューラルネットワーク
• Authors: Mei Wu, Yiqian Lin, Tianfan Jiang, Wenchao Weng,
• Abstract要約: MHGNetは、多元グラフをモデリングするための新しいフレームワークである。 STDモジュールはシングルパターンのトラフィックデータをマルチパターンのトラフィックデータに分離する。 Node Clustererは、ノード間のユークリッド距離を利用して、O(N)時間複雑さでクラスタリングを実行する。
• 参考スコア（独自算出の注目度）: 0.0937465283958018
• License:
• Abstract: In recent years, traffic flow prediction has played a crucial role in the management of intelligent transportation systems. However, traditional forecasting methods often model non-Euclidean low-dimensional traffic data as a simple graph with single-type nodes and edges, failing to capture similar trends among nodes of the same type. To address this limitation, this paper proposes MHGNet, a novel framework for modeling spatiotemporal multi-heterogeneous graphs. Within this framework, the STD Module decouples single-pattern traffic data into multi-pattern traffic data through feature mappings of timestamp embedding matrices and node embedding matrices. Subsequently, the Node Clusterer leverages the Euclidean distance between nodes and different types of limit points to perform clustering with O(N) time complexity. The nodes within each cluster undergo residual subgraph convolution within the spatiotemporal fusion subgraphs generated by the DSTGG Module, followed by processing in the SIE Module for node repositioning and redistribution of weights. To validate the effectiveness of MHGNet, this paper conducts extensive ablation studies and quantitative evaluations on four widely used benchmarks, demonstrating its superior performance.
• Abstract（参考訳）: 近年,交通流予測はインテリジェント交通システムの管理において重要な役割を担っている。 しかし、従来の予測手法は、単一タイプのノードとエッジを持つ単純なグラフとして、非ユークリッドの低次元のトラフィックデータをモデル化することが多く、同じタイプのノード間でも同様の傾向を捉えられなかった。 この制限に対処するために,時空間多元グラフをモデリングするための新しいフレームワークであるMHGNetを提案する。 このフレームワーク内でSTDモジュールは、タイムスタンプの埋め込み行列とノードの埋め込み行列の特徴マッピングを通じて、単一パターンのトラフィックデータをマルチパターンのトラフィックデータに分離する。 その後、ノードと異なるタイプの制限点間のユークリッド距離を利用して、O(N)時間複雑さでクラスタリングを実行する。 各クラスタ内のノードは、DSTGGモジュールによって生成された時空間融合部分グラフ内で残留部分グラフの畳み込みを行い、続いてSIEモジュールでノード再配置と重みの再分配を行う。 MHGNetの有効性を検証するために, 広範に使用されている4つのベンチマークにおいて, 広範囲なアブレーション研究と定量的評価を行い, その性能を実証した。

関連論文リスト

• Graph Mixture of Experts and Memory-augmented Routers for Multivariate Time Series Anomaly Detection [28.57277614615255]
  本稿では,多変量時系列異常検出のためのGraph Mixture of Experts (Graph-MoE)ネットワークを提案する。 我々のGraph-MoEは、プラグイン・アンド・プレイ方式で任意のGNNベースのMSS異常検出手法に統合できる。 さらに,MTSのグローバルな歴史的特徴から時間的相関情報を捉えるために,メモリ拡張ルータを提案する。
  論文  参考訳（メタデータ） (2024-12-26T07:49:51Z)
• 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)
• CGGM: A conditional graph generation model with adaptive sparsity for node anomaly detection in IoT networks [40.85847606876151]
  本稿では,マイノリティクラスに属するサンプルを生成するために,CGGMと呼ばれる新しいグラフ生成モデルを提案する。 フレームワークは、条件付きグラフ生成モジュールとグラフベースの異常検出モジュールの2つのコアモジュールから構成される。 実験により、CGGMは精度とばらつきの点で最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-27T09:55:34Z)
• Meta Attentive Graph Convolutional Recurrent Network for Traffic Forecasting [32.53813334921991]
  我々は,Meta Attentive Graph Convolutional Recurrent Network (MAGCRN) という新しいトラフィック予測器を提案する。 MAGCRNは、グラフ畳み込みリカレントネットワーク(GCRN)をコアモジュールとして使用し、ローカル依存をモデル化し、2つの新しいモジュールによる操作を改善する。 6つの実世界のトラフィックデータセットの実験により、NMPLとNAWGが共に、MAGCRNが短期および長期の予測において最先端のベースラインを上回ることを実証した。
  論文  参考訳（メタデータ） (2023-08-28T07:49:30Z)
• 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)
• 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)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Unified Spatio-Temporal Modeling for Traffic Forecasting using Graph Neural Network [2.7088996845250897]
  このような分解加群との複素時間的関係を抽出するのは時間的効果が低いと我々は主張する。 空間的および時間的アグリゲーションを行う交通予測のための統一S週間グラフ畳み込み(USTGCN)を提案する。 我々のモデルUSTGCNは3つの人気のあるベンチマークデータセットで最先端のパフォーマンスを上回ります。
  論文  参考訳（メタデータ） (2021-04-26T12:33:17Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• Network Clustering Via Kernel-ARMA Modeling and the Grassmannian The Brain-Network Case [6.78543866474958]
  本稿では,時系列データにアノテートしたノードを持つネットワークを対象としたクラスタリングフレームワークを提案する。 このフレームワークは、状態クラスタリング、状態内のノードクラスタリング、サブネットワーク-状態系列の識別/追跡など、あらゆるタイプのネットワーククラスタリング問題に対処する。
  論文  参考訳（メタデータ） (2020-02-18T19:48:38Z)

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。