論文の概要: Rethinking Traffic Flow Forecasting: From Transition to Generatation

• arxiv url: http://arxiv.org/abs/2504.14248v1
• Date: Sat, 19 Apr 2025 09:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 03:52:17.586514
• Title: Rethinking Traffic Flow Forecasting: From Transition to Generatation
• Title（参考訳）: 交通流予測の再考 - 遷移から発生へ-
• Authors: Li Shijiao, Ma Zhipeng, He Huajun, Chen Haiyue,
• Abstract要約: 本稿では,交通流予測のための多分岐類似性変換器,すなわちEMBSFormerを提案する。 トラフィックフローに影響を与える要因はノードレベルのトラフィック生成とグラフレベルのトラフィック遷移であり、ノードの多周期性と相互作用パターンをそれぞれ記述している。 交通遷移において,グローバルノードの相互作用を維持するために時間的・空間的自己認識機構を用い,それぞれGNNと時間的共振器を用いて局所ノードの相互作用をモデル化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Traffic flow prediction plays an important role in Intelligent Transportation Systems in traffic management and urban planning. There have been extensive successful works in this area. However, these approaches focus only on modelling the flow transition and ignore the flow generation process, which manifests itself in two ways: (i) The models are based on Markovian assumptions, ignoring the multi-periodicity of the flow generation in nodes. (ii) The same structure is designed to encode both the transition and generation processes, ignoring the differences between them. To address these problems, we propose an Effective Multi-Branch Similarity Transformer for Traffic Flow Prediction, namely EMBSFormer. Through data analysis, we find that the factors affecting traffic flow include node-level traffic generation and graph-level traffic transition, which describe the multi-periodicity and interaction pattern of nodes, respectively. Specifically, to capture traffic generation patterns, we propose a similarity analysis module that supports multi-branch encoding to dynamically expand significant cycles. For traffic transition, we employ a temporal and spatial self-attention mechanism to maintain global node interactions, and use GNN and time conv to model local node interactions, respectively. Model performance is evaluated on three real-world datasets on both long-term and short-term prediction tasks. Experimental results show that EMBSFormer outperforms baselines on both tasks. Moreover, compared to models based on flow transition modelling (e.g. GMAN, 513k), the variant of EMBSFormer(93K) only uses 18\% of the parameters, achieving the same performance.
• Abstract（参考訳）: 交通管理と都市計画において,交通流予測はインテリジェント交通システムにおいて重要な役割を担っている。 この地域では広く成功した作品がある。 しかしながら、これらのアプローチはフロー遷移をモデル化することのみに焦点を当て、フロー生成プロセスを無視する。 (i)モデルがマルコフの仮定に基づいており、ノード内のフロー生成の多周期性を無視している。 (ii)同じ構造は、遷移過程と生成過程の両方を符号化し、それらの違いを無視して設計されている。 これらの問題に対処するために,交通流予測のための実効的マルチブランチ類似性変換器,すなわちEMBSFormerを提案する。 データ分析により,トラフィックフローに影響を与える要因は,ノードの多周期性と相互作用パターンを記述するノードレベルのトラフィック生成とグラフレベルのトラフィック遷移であることがわかった。 具体的には、トラフィック生成パターンをキャプチャするために、多分岐符号化をサポートし、重要なサイクルを動的に拡張する類似性解析モジュールを提案する。 交通遷移において,グローバルノードの相互作用を維持するために時間的・空間的自己認識機構を用い,それぞれGNNと時間的共振器を用いて局所ノードの相互作用をモデル化する。 モデル性能は、長期および短期の予測タスクにおいて、3つの実世界のデータセットで評価される。 実験の結果,EMBSFormerは両タスクのベースラインよりも優れていた。 さらに、フロー遷移モデリングに基づくモデル(例えば GMAN, 513k)と比較して、EMBSFormer(93K)の変種はパラメータの18%しか使用せず、同じ性能を実現している。

関連論文リスト

• MIETT: Multi-Instance Encrypted Traffic Transformer for Encrypted Traffic Classification [59.96233305733875]
  トラフィックの分類は、セキュリティの脅威を検出し、ネットワーク管理を最適化するために不可欠である。 トークンレベルとパケットレベルの両方の関係をキャプチャするMulti-Instance Encrypted Traffic Transformer (MIETT)を提案する。 MIETTは5つのデータセットにまたがって結果を達成し、暗号化されたトラフィックの分類と複雑なネットワーク動作の理解の有効性を示す。
  論文  参考訳（メタデータ） (2024-12-19T12:52:53Z)
• 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)
• Enhanced Traffic Flow Prediction with Multi-Segment Fusion Tensor Graph Convolutional Networks [9.44949364543965]
  既存の交通流予測モデルは、交通ネットワーク内の複雑な空間的依存関係をキャプチャする際の制限に悩まされる。 本研究では,交通流予測のためのマルチセグメント融合テンソルグラフ畳み込みネットワーク(MS-FTGCN)を提案する。 2つの交通流データセットを用いた実験の結果,提案したMS-FTGCNは最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-08-08T05:37:17Z)
• Deep Multi-View Channel-Wise Spatio-Temporal Network for Traffic Flow Prediction [18.008631008649658]
  underlineMulti-underlineView underlineChannel-wise underlineSpatio-underlineTemporal underlineNetwork (MVC-STNet) 我々は,マルチチャネル交通流予測の新たな課題について検討し,深いアンダーラインMulti-underlineViewアンダーラインChannel-wiseアンダーラインTempを提案する。
  論文  参考訳（メタデータ） (2024-04-23T13:39:04Z)
• 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)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel Attention-Based Spatio-Temporal Graph Convolutional Networks [4.318655493189584]
  建設工事の影響下での交通速度予測モデルを提案する。 このモデルは、強力なアテンションベースの時間グラフ畳み込みアーキテクチャに基づいているが、様々なチャネルを利用して異なる情報ソースを統合する。 このモデルは、2つのベンチマークデータセットと、北バージニアの散らかった道路の角で収集した新しいデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-10-04T16:07:37Z)
• 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)
• TrafficStream: A Streaming Traffic Flow Forecasting Framework Based on Graph Neural Networks and Continual Learning [10.205873494981633]
  グラフニューラルネットワーク(GNN)と連続学習(CL)に基づくストリームトラフィックフロー予測フレームワークであるTrafficStreamを提案する。 新たなトラフィックパターンをマイニングするために,JS-divergence に基づくアルゴリズムを提案する。 モデルの有効性と有効性を検証するために,ストリーミングトラフィックデータセットを構築した。
  論文  参考訳（メタデータ） (2021-06-11T09:42:37Z)
• 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)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。