論文の概要: Dynamic Campus Origin-Destination Mobility Prediction using Graph Convolutional Neural Network on WiFi Logs

• arxiv url: http://arxiv.org/abs/2507.05507v1
• Date: Mon, 07 Jul 2025 22:04:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.36156
• Title: Dynamic Campus Origin-Destination Mobility Prediction using Graph Convolutional Neural Network on WiFi Logs
• Title（参考訳）: グラフ畳み込みニューラルネットワークを用いたWiFiログ上の動的キャンパス起因推定モビリティ予測
• Authors: Godwin Badu-Marfo, Bilal Farooq,
• Abstract要約: 大学構内における建物占有率と建物間移動を予測するための統合グラフベースニューラルネットワークアーキテクチャを提案する。 我々は、Wi-Fiログからトラフィックフローパターンを学習し、建物内での使用スケジュールと組み合わせる。 実験の結果,統合型GTMモデルは従来の歩行者流量推定装置よりも有意に優れていた。
• 参考スコア（独自算出の注目度）: 5.759608579971381
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an integrated graph-based neural networks architecture for predicting campus buildings occupancy and inter-buildings movement at dynamic temporal resolution that learns traffic flow patterns from Wi-Fi logs combined with the usage schedules within the buildings. The relative traffic flows are directly estimated from the WiFi data without assuming the occupant behaviour or preferences while maintaining individual privacy. We formulate the problem as a data-driven graph structure represented by a set of nodes (representing buildings), connected through a route of edges or links using a novel Graph Convolution plus LSTM Neural Network (GCLSTM) which has shown remarkable success in modelling complex patterns. We describe the formulation, model estimation, interpretability and examine the relative performance of our proposed model. We also present an illustrative architecture of the models and apply on real-world WiFi logs collected at the Toronto Metropolitan University campus. The results of the experiments show that the integrated GCLSTM models significantly outperform traditional pedestrian flow estimators like the Multi Layer Perceptron (MLP) and Linear Regression.
• Abstract（参考訳）: 本稿では,Wi-Fiログからトラフィックフローパターンを学習する動的時間分解能において,キャンパスの占有状況と建物間移動を予測するための統合グラフベースニューラルネットワークアーキテクチャを提案する。 相対的なトラフィックフローは、個々のプライバシを維持しながら、占有する行動や嗜好を仮定することなく、WiFiデータから直接推定される。 本稿では,グラフ畳み込みとLSTMニューラルネット(GCLSTM)を用いたエッジやリンクの経路を介して接続された,一連のノード(構造を表現する)で表されるデータ駆動グラフ構造としてこの問題を定式化し,複雑なパターンのモデル化に顕著な成功を収めた。 本稿では, モデルの定式化, モデル推定, 解釈可能性について記述し, 提案モデルの相対的性能について検討する。 また,トロント大学キャンパスで収集した実世界のWi-Fiログに,モデルの実例的アーキテクチャを適用した。 実験の結果、統合GCLSTMモデルは、MLP(Multi Layer Perceptron)や線形回帰(Linear Regression)といった従来の歩行者フロー推定モデルよりも大幅に優れていた。

関連論文リスト

• UniFlow: A Foundation Model for Unified Urban Spatio-Temporal Flow Prediction [23.79904267354509]
  都市インフラの最適化と交通災害対応管理には,都市時流予測が不可欠である。 従来のアプローチは、グリッドベースのデータまたはグラフベースのデータに合わせた、別々のモデルに依存してきた。 本稿では,グリッドベースのグラフベースデータを統一した一般都市流予測モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-20T01:54:52Z)
• 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)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• A spatial-temporal short-term traffic flow prediction model based on dynamical-learning graph convolution mechanism [0.0]
  短期的な交通流予測は知的交通システム(ITS)の重要な分岐であり、交通管理において重要な役割を果たしている。 グラフ畳み込みネットワーク(GCN)は道路網のグラフィカルな構造データを扱うために交通予測モデルで広く利用されている。 この欠点に対処するために、新しい位置グラフ畳み込みネットワーク(Location-GCN)を提案する。
  論文  参考訳（メタデータ） (2022-05-10T09:19:12Z)
• Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
  S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。 このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。 kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
  論文  参考訳（メタデータ） (2022-02-25T10:02:49Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。