論文の概要: Data Mining in Transportation Networks with Graph Neural Networks: A Review and Outlook

• arxiv url: http://arxiv.org/abs/2501.16656v1
• Date: Tue, 28 Jan 2025 02:41:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-29 16:41:02.669452
• Title: Data Mining in Transportation Networks with Graph Neural Networks: A Review and Outlook
• Title（参考訳）: グラフニューラルネットワークを用いた交通ネットワークにおけるデータマイニング : 概観と展望
• Authors: Jiawei Xue, Ruichen Tan, Jianzhu Ma, Satish V. Ukkusuri,
• Abstract要約: 我々は様々なDMTN問題を提示・解析し、その後に古典的および最近のGNNモデルを示す。 1) 交通予測,(2) 交通操作,(3) Google Maps, Amap, Baidu Maps といった産業への関与の3つの分野における重要な作業について調べる。
• 参考スコア（独自算出の注目度）: 15.252649452404954
• License:
• Abstract: Data mining in transportation networks (DMTNs) refers to using diverse types of spatio-temporal data for various transportation tasks, including pattern analysis, traffic prediction, and traffic controls. Graph neural networks (GNNs) are essential in many DMTN problems due to their capability to represent spatial correlations between entities. Between 2016 and 2024, the notable applications of GNNs in DMTNs have extended to multiple fields such as traffic prediction and operation. However, existing reviews have primarily focused on traffic prediction tasks. To fill this gap, this study provides a timely and insightful summary of GNNs in DMTNs, highlighting new progress in prediction and operation from academic and industry perspectives since 2023. First, we present and analyze various DMTN problems, followed by classical and recent GNN models. Second, we delve into key works in three areas: (1) traffic prediction, (2) traffic operation, and (3) industry involvement, such as Google Maps, Amap, and Baidu Maps. Along these directions, we discuss new research opportunities based on the significance of transportation problems and data availability. Finally, we compile resources such as data, code, and other learning materials to foster interdisciplinary communication. This review, driven by recent trends in GNNs in DMTN studies since 2023, could democratize abundant datasets and efficient GNN methods for various transportation problems including prediction and operation.
• Abstract（参考訳）: 交通ネットワークにおけるデータマイニング(DMTN)とは、パターン分析、交通予測、交通制御など、様々な交通業務において、様々な種類の時空間データを使用することを指す。 グラフニューラルネットワーク(GNN)は多くのDMTN問題において、実体間の空間的相関を表現する能力のために必須である。 2016年から2024年にかけて、DMTNにおけるGNNの顕著な応用は、交通予測や運用など、複数の分野に及んでいる。 しかし、既存のレビューは主に交通予測タスクに焦点を当てている。 このギャップを埋めるために,本研究では,2023年以降の学術的,産業的観点からの予測と運用の新たな進歩を,DMTNにおけるGNNのタイムリーかつ洞察に富んだ要約を提供する。 まず、様々なDMTN問題を提示、解析し、続いて古典的および最近のGNNモデルを示す。 第2に,(1)交通予測,(2)交通操作,(3)Google Maps,Amap,Baidu Mapsといった産業への関与という,3つの分野の重要作業について検討する。 これらの方向に沿って、輸送問題とデータ可用性の意義に基づく新たな研究機会について論じる。 最後に、データ、コード、その他の学習教材などのリソースをコンパイルして、学際的なコミュニケーションを促進する。 このレビューは、2023年以降のDMTN研究におけるGNNの最近の傾向によって推進され、予測や運用を含む様々な交通問題に対して、豊富なデータセットと効率的なGNN手法を民主化することができる。

関連論文リスト

• Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
  従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。 本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。 本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
  論文  参考訳（メタデータ） (2024-03-08T04:19:56Z)
• A Survey on Graph Neural Networks in Intelligent Transportation Systems [11.863528235605457]
  グラフニューラルネットワーク(GNN)は、2019年以来、ITS分野において高い競争力を持つ方法として現れてきた。 本稿では,交通予測,自動運転車,交通信号制御,交通安全,需要予測,駐車場管理の6つの領域におけるGNNの適用状況について検討する。
  論文  参考訳（メタデータ） (2024-01-01T09:53:24Z)
• Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
  グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。 以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-12T09:18:12Z)
• A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [98.41798478488101]
  時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。 グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。 この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
  論文  参考訳（メタデータ） (2023-07-07T08:05:03Z)
• Trustworthy Graph Neural Networks: Aspects, Methods and Trends [115.84291569988748]
  グラフニューラルネットワーク(GNN)は,さまざまな実世界のシナリオに対して,有能なグラフ学習手法として登場した。 パフォーマンス指向のGNNは、敵の攻撃に対する脆弱性のような潜在的な副作用を示す。 こうした意図しない害を避けるためには、信頼度に特徴付けられる有能なGNNを構築する必要がある。
  論文  参考訳（メタデータ） (2022-05-16T02:21:09Z)
• Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases [7.173242326298134]
  多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。 本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。 また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
  論文  参考訳（メタデータ） (2022-03-08T09:46:50Z)
• Graph Neural Networks for Traffic Forecasting [0.0]
  本稿では,交通予測の課題に着目し,この問題に対するグラフニューラルネットワーク(GNN)の最近の開発と応用について概観する。 GNNは、入力を直接グラフデータとして処理する深層学習手法のクラスである。 これにより、トラフィックデータの空間的依存関係をより直接的に活用し、ディープラーニングの利点を利用して最先端の結果が得られます。
  論文  参考訳（メタデータ） (2021-04-27T10:39:00Z)
• Graph Neural Network for Traffic Forecasting: A Survey [1.1977931648859175]
  本稿では,交通予測問題に対するグラフニューラルネットワークの適用を探求する,初めての総合的な調査である。 我々は,各問題と今後の研究方向性について,オープンデータとソースリソースのコレクションを提示する。 また、最新の論文、オープンデータ、およびソースリソースを更新するための公開Githubリポジトリも作成しました。
  論文  参考訳（メタデータ） (2021-01-27T02:35:41Z)
• Short-term Traffic Prediction with Deep Neural Networks: A Survey [2.9849405664643585]
  現代の交通システムでは、毎日大量の交通データが生成される。 これにより、短期交通予測(STTP)が急速に進歩した。 複雑な関係を持つトラフィックネットワークでは、最も重要な特徴やパターンを自動的に抽出できるため、ディープニューラルネットワーク(DNN)がよく機能することが多い。
  論文  参考訳（メタデータ） (2020-08-28T15:06:06Z)
• 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。