Fugu-MT 論文翻訳(概要): Discovering the Precursors of Traffic Breakdowns Using Spatiotemporal Graph Attribution Networks

論文の概要: Discovering the Precursors of Traffic Breakdowns Using Spatiotemporal Graph Attribution Networks

arxiv url: http://arxiv.org/abs/2504.17109v1
Date: Wed, 23 Apr 2025 21:40:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:53.178842
Title: Discovering the Precursors of Traffic Breakdowns Using Spatiotemporal Graph Attribution Networks
Title（参考訳）: 時空間グラフ属性ネットワークを用いた交通破壊前兆の発見
Authors: Zhaobin Mo, Xiangyi Liao, Dominik A. Karbowski, Yanbing Wang,
Abstract要約: 本稿では,グラフトポロジカルニューラルネットワーク(ST-GNN)とShapley値を組み合わせた新しい手法を提案する。この手法を州間高速道路24号線のデータに示すとともに,道路のトポロジと急速ブレーキが交通事故の原因であることを示す。
参考スコア（独自算出の注目度）: 2.249916681499244
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Understanding and predicting the precursors of traffic breakdowns is critical for improving road safety and traffic flow management. This paper presents a novel approach combining spatiotemporal graph neural networks (ST-GNNs) with Shapley values to identify and interpret traffic breakdown precursors. By extending Shapley explanation methods to a spatiotemporal setting, our proposed method bridges the gap between black-box neural network predictions and interpretable causes. We demonstrate the method on the Interstate-24 data, and identify that road topology and abrupt braking are major factors that lead to traffic breakdowns.
Abstract（参考訳）: 交通事故の前兆を理解し予測することは、道路の安全と交通フロー管理を改善するために重要である。本稿では,時空間グラフニューラルネットワーク(ST-GNN)とShapley値を組み合わせた新しい手法を提案する。提案手法は,Shapleyの説明手法を時空間設定に拡張することにより,ブラックボックスニューラルネットワーク予測と解釈可能な原因とのギャップを埋める。この手法を州間高速道路24号線のデータに示すとともに,道路のトポロジと急速ブレーキが交通事故の原因であることを示す。

関連論文リスト

ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction [47.17205142864036]
ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。 ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
論文参考訳（メタデータ） (2024-04-22T03:35:19Z)
End-to-End Heterogeneous Graph Neural Networks for Traffic Assignment [5.205252810216621]
我々は、異種グラフニューラルネットワークのパワーを活用して、トラフィック割り当てのための新しいエンドツーエンドサロゲートモデルを提案する。本モデルでは,アダプティブグラフアテンション機構と,原点-終点ノードペアを接続する補助的な"仮想"リンクを統合する。提案するヘテロジニアスグラフニューラルネットワークモデルは,収束率や予測精度の観点から,従来のニューラルネットワークモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2023-10-19T23:04:09Z)
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)
Dynamic Causal Graph Convolutional Network for Traffic Prediction [19.759695727682935]
本稿では,時間変動動的ネットワークを組み込んだトラフィック予測手法を提案する。次に、グラフ畳み込みネットワークを使用してトラフィック予測を生成します。実交通データを用いた実験結果から,提案手法の予測性能が優れていることを示す。
論文参考訳（メタデータ） (2023-06-12T10:46:31Z)
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)
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)
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)
STCGAT: Spatial-temporal causal networks for complex urban road traffic flow prediction [12.223433627287605]
交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
論文参考訳（メタデータ） (2022-03-21T06:38:34Z)
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)
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)
DeepTransport: Learning Spatial-Temporal Dependency for Traffic Condition Forecasting [31.65583737358249]
交通状況を予測するために,DeepTransportというエンドツーエンドのフレームワークを提案する。 CNNとRNNは、交通ネットワークトポロジ内の時空間交通情報を得るために利用される。 5分間の解像度で,実世界の大規模交通条件データセットを構築し,リリースした。
論文参考訳（メタデータ） (2017-09-27T15:39:49Z)

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。