論文の概要: BikeVAE-GNN: A Variational Autoencoder-Augmented Hybrid Graph Neural Network for Sparse Bicycle Volume Estimation

• arxiv url: http://arxiv.org/abs/2507.19517v1
• Date: Fri, 18 Jul 2025 09:18:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-03 20:19:02.83825
• Title: BikeVAE-GNN: A Variational Autoencoder-Augmented Hybrid Graph Neural Network for Sparse Bicycle Volume Estimation
• Title（参考訳）: BikeVAE-GNN:スパース自転車容積推定のための変分オートエンコーダ強化ハイブリッドグラフニューラルネットワーク
• Authors: Mohit Gupta, Debjit Bhowmick, Ben Beck,
• Abstract要約: BikeVAE-GNNは、変分オートエンコーダ(VAE)を備えたハイブリッドグラフニューラルネットワーク(GNN)を増強する新しいデュアルタスクフレームワークである。 BikeVAE-GNNは、同時に、自転車のボリューム推定と自転車のトラフィックレベルの分類のための回帰を行う。 実験の結果,BikeVAE-GNNは機械学習およびベースラインGNNモデルより優れており,平均絶対誤差(MAE)は1日30.82本,精度99%,F1スコア0.99本であった。
• 参考スコア（独自算出の注目度）: 15.126643708837712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate link-level bicycle volume estimation is essential for informed urban and transport planning but it is challenged by extremely sparse count data in urban bicycling networks worldwide. We propose BikeVAE-GNN, a novel dual-task framework augmenting a Hybrid Graph Neural Network (GNN) with Variational Autoencoder (VAE) to estimate Average Daily Bicycle (ADB) counts, addressing sparse bicycle networks. The Hybrid-GNN combines Graph Convolutional Networks (GCN), Graph Attention Networks (GAT), and GraphSAGE to effectively model intricate spatial relationships in sparse networks while VAE generates synthetic nodes and edges to enrich the graph structure and enhance the estimation performance. BikeVAE-GNN simultaneously performs - regression for bicycling volume estimation and classification for bicycling traffic level categorization. We demonstrate the effectiveness of BikeVAE-GNN using OpenStreetMap data and publicly available bicycle count data within the City of Melbourne - where only 141 of 15,933 road segments have labeled counts (resulting in 99% count data sparsity). Our experiments show that BikeVAE-GNN outperforms machine learning and baseline GNN models, achieving a mean absolute error (MAE) of 30.82 bicycles per day, accuracy of 99% and F1-score of 0.99. Ablation studies further validate the effective role of Hybrid-GNN and VAE components. Our research advances bicycling volume estimation in sparse networks using novel and state-of-the-art approaches, providing insights for sustainable bicycling infrastructures.
• Abstract（参考訳）: 正確なリンクレベルの自転車容積推定は都市・交通計画に欠かせないが, 世界中の都市自転車ネットワークにおいて, 極めて少ない数である。 本稿では,ハイブリッドグラフニューラルネットワーク(GNN)と変分オートエンコーダ(VAE)を組み合わせた新しいデュアルタスクフレームワークであるBikeVAE-GNNを提案する。 ハイブリッドGNNはグラフ畳み込みネットワーク(GCN)、グラフ注意ネットワーク(GAT)、グラフSAGEを組み合わせてスパースネットワーク内の複雑な空間関係を効果的にモデル化し、VAEは合成ノードとエッジを生成してグラフ構造を強化し、推定性能を向上させる。 BikeVAE-GNNは、同時に、自転車のボリューム推定と自転車のトラフィックレベルの分類のための回帰を行う。 メルボルン市内で利用可能な自転車数データとOpenStreetMapデータを用いたBikeVAE-GNNの有効性を実証した。 実験の結果,BikeVAE-GNNは機械学習およびベースラインGNNモデルより優れており,平均絶対誤差(MAE)は1日30.82本,精度99%,F1スコア0.99本であった。 アブレーション研究は、ハイブリッド-GNNとVAEコンポーネントの効果的な役割をさらに検証している。 本研究は, 新規かつ最先端のアプローチによるスパースネットワークにおける自転車の体積推定を推し進め, 持続可能な自転車インフラの展望を提供する。

関連論文リスト

• INSPIRE-GNN: Intelligent Sensor Placement to Improve Sparse Bicycling Network Prediction via Reinforcement Learning Boosted Graph Neural Networks [51.76364085699241]
  INSPIRE-GNNは、センサ配置を最適化し、データスパース環境でのリンクレベルの自転車体積推定を改善するために設計された、新しい強化学習型ハイブリッドグラフニューラルネットワーク(GNN)フレームワークである。 我々のフレームワークは,Mean Squared Error(MSE),Root Mean Squared Error(RMSE),Mean Absolute Error(MAE)など,従来のセンサ配置法よりも優れていた。 InSPIRE-GNNの自転車容積推定性能における標準機械学習モデルとディープラーニングモデルとのベンチマークを行い,その有効性を実証した。
  論文  参考訳（メタデータ） (2025-07-31T20:00:35Z)
• Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach [54.84957282120537]
  本稿では,リンクレベルの自転車の体積をモデル化するためにGCNアーキテクチャを利用する最初の研究について述べる。 線形回帰、サポートベクターマシン、ランダムフォレストといった従来の機械学習モデルと比較した。 以上の結果から,GCNモデルは,年間平均自転車数(AADB)を予測する上で,従来のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-10-11T04:53:18Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Spatial Graph Coarsening: Weather and Weekday Prediction with London's Bike-Sharing Service using GNN [0.40964539027092917]
  本研究は,ロンドンにおける1日の天気と平日の予測にグラフニューラルネットワーク(GNN)を導入した。 自転車駅周辺における土地利用特性のノード特性と世帯数から,提案モデルは,クロスエントロピー損失および検証データセットの精度において,ベースラインモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-08-30T16:21:02Z)
• BikeDNA: A Tool for Bicycle Infrastructure Data & Network Assessment [0.0]
  BikeDNAは、自転車のインフラデータの再現可能な品質評価のためのオープンソースツールである。 BikeDNAは、幅広いアプリケーションのための自転車インフラデータの品質評価をサポートする。
  論文  参考訳（メタデータ） (2023-03-02T13:06:59Z)
• Predicting Citi Bike Demand Evolution Using Dynamic Graphs [81.12174591442479]
  ニューヨーク市のCiti Bikeデータセットにおける自転車需要予測にグラフニューラルネットワークモデルを適用した。 本稿では,ニューヨーク市のCiti Bikeデータセットにおける自転車需要予測にグラフニューラルネットワークモデルを適用しようとする。
  論文  参考訳（メタデータ） (2022-12-18T21:43:27Z)
• 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)
• A Comparative Study of Using Spatial-Temporal Graph Convolutional Networks for Predicting Availability in Bike Sharing Schemes [13.819341724635319]
  都市における自転車シェアリングシステムの利用可能な自転車の数を予測するための注意ベースのST-GCN(AST-GCN)を紹介します。 実験結果はdublinbikesとnyc-citi bikeの2つの実世界のデータセットを用いて提示した。
  論文  参考訳（メタデータ） (2021-04-21T17:13:29Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。