Fugu-MT 論文翻訳(概要): Embedding spatial context in urban traffic forecasting with contrastive pre-training

論文の概要: Embedding spatial context in urban traffic forecasting with contrastive pre-training

arxiv url: http://arxiv.org/abs/2503.14980v1
Date: Wed, 19 Mar 2025 08:21:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-20 15:22:47.252156
Title: Embedding spatial context in urban traffic forecasting with contrastive pre-training
Title（参考訳）: 対照的な事前学習による都市交通予報における空間文脈の埋め込み
Authors: Matthew Low, Arian Prabowo, Hao Xue, Flora Salim,
Abstract要約: 本稿では,交通量グラフの概念を用いて,道路情報と交通情報を組み合わせた新しい手法を提案する。我々は、この幾何エンコーダを既存のグラフニューラルネットワーク(GNN)ベースのトラフィック予測モデルと統合する方法を紹介し、議論する。我々は、このハイブリッドモデルが、追加のトラフィックデータをゼロにすることで、一般化と性能を向上させる可能性を実証する。
参考スコア（独自算出の注目度）: 2.481158118208888
License:
Abstract: Urban traffic forecasting is a commonly encountered problem, with wide-ranging applications in fields such as urban planning, civil engineering and transport. In this paper, we study the enhancement of traffic forecasting with pre-training, focusing on spatio-temporal graph methods. While various machine learning methods to solve traffic forecasting problems have been explored and extensively studied, there is a gap of a more contextual approach: studying how relevant non-traffic data can improve prediction performance on traffic forecasting problems. We call this data spatial context. We introduce a novel method of combining road and traffic information through the notion of a traffic quotient graph, a quotient graph formed from road geometry and traffic sensors. We also define a way to encode this relationship in the form of a geometric encoder, pre-trained using contrastive learning methods and enhanced with OpenStreetMap data. We introduce and discuss ways to integrate this geometric encoder with existing graph neural network (GNN)-based traffic forecasting models, using a contrastive pre-training paradigm. We demonstrate the potential for this hybrid model to improve generalisation and performance with zero additional traffic data. Code for this paper is available at https://github.com/mattchrlw/forecasting-on-new-roads.
Abstract（参考訳）: 都市交通予測は一般的に発生する問題であり、都市計画、土木工学、輸送などの分野で広く応用されている。本稿では,時空間グラフ手法に着目し,事前学習による交通予測の強化について検討する。交通予測問題に対する様々な機械学習手法が研究され、広く研究されているが、より文脈的なアプローチのギャップがある。このデータを空間コンテキストと呼ぶ。本稿では,道路形状と交通センサから構成される商グラフである交通商グラフの概念を用いて,道路情報と交通情報を結合する新しい手法を提案する。また、この関係を幾何エンコーダの形でエンコードする方法を定義し、コントラスト学習法を用いて事前学習し、OpenStreetMapデータで拡張する。我々は,この幾何エンコーダを既存のグラフニューラルネットワーク(GNN)ベースのトラヒック予測モデルに統合する方法を,対照的な事前学習パラダイムを用いて導入し,議論する。我々は、このハイブリッドモデルが、追加のトラフィックデータをゼロにすることで、一般化と性能を向上させる可能性を実証する。この論文のコードはhttps://github.com/mattchrlw/forecasting-on-new-roads.comで公開されている。

関連論文リスト

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)
MA2GCN: Multi Adjacency relationship Attention Graph Convolutional Networks for Traffic Prediction using Trajectory data [1.147374308875151]
本稿では,新しい交通渋滞予測モデルを提案する。マルチアジャシエンス関係アテンショングラフ畳み込みネットワーク(MA2GCN)。車両軌跡データをグリッド形式でグラフ構造化データに変換し、異なるグリッド間の移動量に基づいて車両の進入・退避行列を提案した。複数のベースラインと比較すると,上海タクシーのGPSトラジェクトリ・データセットで最高の性能を示した。
論文参考訳（メタデータ） (2024-01-16T14:22:44Z)
Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity Analysis [6.8775337739726226]
本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
論文参考訳（メタデータ） (2023-08-20T14:31:55Z)
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)
NodeTrans: A Graph Transfer Learning Approach for Traffic Prediction [33.299309349152146]
少ないデータでトラフィック予測を解くために,新しいトランスファー学習手法を提案する。まず、異なる道路ネットワークのノード固有の時空間トラフィックパターンをキャプチャできる時空間グラフニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-07-04T10:06:20Z)
LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
論文参考訳（メタデータ） (2022-03-24T03:31:18Z)
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)
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)
A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は現代のインテリジェント交通システムの発展に重要な役割を担っています動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文参考訳（メタデータ） (2020-12-25T01:40:29Z)
Hybrid Spatio-Temporal Graph Convolutional Network: Improving Traffic Prediction with Navigation Data [7.394726159860848]
本稿では,今後の交通量のデータを活用することで,将来の走行時間を「推定」できるHybrid Spatio-Temporal Graph Convolutional Network (H-STGCN)を提案する。以上の結果から,H-STGCNは様々な指標,特に非再帰性渋滞の予測において,最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2020-06-23T03:25:48Z)
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。