論文の概要: TrafficKAN-GCN: Graph Convolutional-based Kolmogorov-Arnold Network for Traffic Flow Optimization

• arxiv url: http://arxiv.org/abs/2503.03276v1
• Date: Wed, 05 Mar 2025 08:59:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:51:37.122916
• Title: TrafficKAN-GCN: Graph Convolutional-based Kolmogorov-Arnold Network for Traffic Flow Optimization
• Title（参考訳）: TrafficKAN-GCN: Graph Convolutional-based Kolmogorov-Arnold Network for Traffic Flow Optimization
• Authors: Jiayi Zhang, Yiming Zhang, Yuan Zheng, Yuchen Wang, Jinjiang You, Yuchen Xu, Wenxing Jiang, Soumyabrata Dev,
• Abstract要約: TrafficKAN-GCNは、Kolmogorov-Arnold Networks (KAN)とGraph Convolutional Networks (GCN)を組み合わせたハイブリッドディープラーニングフレームワークである。 提案手法をボルチモア都市圏の実際の交通データを用いて評価する。 我々の実験は、交通の流れを再分配し、渋滞を緩和し、フランシス・スコット・キーブリッジ崩壊のような破壊的な出来事に適応するフレームワークの能力を強調した。
• 参考スコア（独自算出の注目度）: 21.65543843942033
• License:
• Abstract: Urban traffic optimization is critical for improving transportation efficiency and alleviating congestion, particularly in large-scale dynamic networks. Traditional methods, such as Dijkstra's and Floyd's algorithms, provide effective solutions in static settings, but they struggle with the spatial-temporal complexity of real-world traffic flows. In this work, we propose TrafficKAN-GCN, a hybrid deep learning framework combining Kolmogorov-Arnold Networks (KAN) with Graph Convolutional Networks (GCN), designed to enhance urban traffic flow optimization. By integrating KAN's adaptive nonlinear function approximation with GCN's spatial graph learning capabilities, TrafficKAN-GCN captures both complex traffic patterns and topological dependencies. We evaluate the proposed framework using real-world traffic data from the Baltimore Metropolitan area. Compared with baseline models such as MLP-GCN, standard GCN, and Transformer-based approaches, TrafficKAN-GCN achieves competitive prediction accuracy while demonstrating improved robustness in handling noisy and irregular traffic data. Our experiments further highlight the framework's ability to redistribute traffic flow, mitigate congestion, and adapt to disruptive events, such as the Francis Scott Key Bridge collapse. This study contributes to the growing body of work on hybrid graph learning for intelligent transportation systems, highlighting the potential of combining KAN and GCN for real-time traffic optimization. Future work will focus on reducing computational overhead and integrating Transformer-based temporal modeling for enhanced long-term traffic prediction. The proposed TrafficKAN-GCN framework offers a promising direction for data-driven urban mobility management, balancing predictive accuracy, robustness, and computational efficiency.
• Abstract（参考訳）: 都市交通の最適化は、特に大規模動的ネットワークにおいて、交通効率の向上と渋滞緩和に重要である。 DijkstraのアルゴリズムやFloydのアルゴリズムのような従来の手法は、静的な設定において効果的なソリューションを提供するが、現実の交通流の空間的・時間的複雑さに苦慮している。 本研究では,都市交通流の最適化を目的とした,KAN(Kolmogorov-Arnold Networks)とGCN(Graph Convolutional Networks)を組み合わせたハイブリッドディープラーニングフレームワークであるTrafficKAN-GCNを提案する。 Kanの適応非線形関数近似とGCNの空間グラフ学習機能を統合することで、TrafficKAN-GCNは複雑なトラフィックパターンとトポロジ的依存関係の両方をキャプチャする。 提案手法をボルチモア都市圏の実際の交通データを用いて評価する。 MLP-GCNや標準GCN、Transformerベースのアプローチといったベースラインモデルと比較して、TrafficKAN-GCNはノイズや不規則なトラフィックデータを扱う際の堅牢性の向上を実証しつつ、競合予測精度を実現している。 我々の実験は、交通の流れを再分配し、渋滞を緩和し、フランシス・スコット・キーブリッジ崩壊のような破壊的な出来事に適応するフレームワークの能力をさらに強調した。 本研究は、インテリジェントトランスポートシステムにおけるハイブリッドグラフ学習への取り組みの活発化に寄与し、リアルタイムトラフィック最適化のためのKANとGCNの組み合わせの可能性を強調した。 今後の作業は、計算オーバーヘッドの削減と、長期トラフィック予測の強化を目的としたTransformerベースの時間モデリングの統合に注力する。 提案したTrafficKAN-GCNフレームワークは,データ駆動型都市モビリティ管理,予測精度,堅牢性,計算効率のバランスをとる上で,有望な方向性を提供する。

関連論文リスト

• Dynamic Graph Attention Networks for Travel Time Distribution Prediction in Urban Arterial Roads [5.849150965368483]
  本研究では,動脈回廊沿いの両方向の走行時間分布を同時モデル化する構造的枠組みを提案する。 その結果, サイクル長, グリーンパーセンテージ, 交通密度, 反現実経路など, 効果的な交通変動に対するレジリエンスが示された。 このフレームワークは、動的信号タイミングをサポートし、混雑管理を強化し、現実世界のアプリケーションにおける走行時間の信頼性を向上させる。
  論文  参考訳（メタデータ） (2024-12-15T07:30:01Z)
• 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 Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• 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)
• A Graph and Attentive Multi-Path Convolutional Network for Traffic Prediction [16.28015945020806]
  本稿では,将来的な交通状況を予測するために,グラフおよび注意深いマルチパス畳み込みネットワーク(GAMCN)モデルを提案する。 我々のモデルは交通条件に影響を与える空間的要因と時間的要因に焦点を当てている。 予測精度は,予測誤差が最大18.9%,予測効率が23.4%である。
  論文  参考訳（メタデータ） (2022-05-30T16:24:43Z)
• 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)
• Learning dynamic and hierarchical traffic spatiotemporal features with Transformer [4.506591024152763]
  本稿では,空間時間グラフモデリングと長期交通予測のための新しいモデルであるTraffic Transformerを提案する。 Transformerは自然言語処理(NLP)で最も人気のあるフレームワークです。 注目重量行列を解析すれば 道路網の 影響力のある部分を見つけられる 交通網をよりよく学べる
  論文  参考訳（メタデータ） (2021-04-12T02:29:58Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• Urban Traffic Flow Forecast Based on FastGCRNN [14.445176586630465]
  高速グラフ同時並行ニューラルネットワーク(GCRN)を大規模ネットワークに適用するのは,計算量が多いため困難である。 本稿では,道路網を幾何学グラフに抽象化し,交通流の時空間依存性をモデル化するための高速グラフ同期ニューラルネットワーク(GCRN)を構築することを提案する。 具体的には、FastGCNユニットを使用して、重要サンプリングによる計算複雑性を低減し、グラフ内の道路と周辺道路のトポロジ的関係を効率的に把握する。
  論文  参考訳（メタデータ） (2020-09-17T06:05:05Z)
• 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。