論文の概要: GSMT: Graph Fusion and Spatiotemporal TaskCorrection for Multi-Bus Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2508.09227v1
• Date: Tue, 12 Aug 2025 06:54:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.637104
• Title: GSMT: Graph Fusion and Spatiotemporal TaskCorrection for Multi-Bus Trajectory Prediction
• Title（参考訳）: GSMT:マルチバス軌道予測のためのグラフ融合と時空間タスク補正
• Authors: Fan Ding, Hwa Hui Tew, Junn Yong Loo, Susilawati, LiTong Liu, Fang Yu Leong, Xuewen Luo, Kar Keong Chin, Jia Jun Gan,
• Abstract要約: GSMTは、グラフ注意ネットワーク(GAT)とシーケンス・ツー・シーケンス・リカレントニューラルネットワーク(RNN)を統合するハイブリッドモデルである。 タスク修正器は、歴史的軌跡をクラスタリングして、異なる動きパターンを特定し、GATおよびRNNによって生成された予測を微調整する。 マレーシアのクアラルンプール(Kuala Lumpur)で実世界のデータセットを用いて行った実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
• 参考スコア（独自算出の注目度）: 3.391039124827674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate trajectory prediction for buses is crucial in intelligent transportation systems, particularly within urban environments. In developing regions where access to multimodal data is limited, relying solely on onboard GPS data remains indispensable despite inherent challenges. To address this problem, we propose GSMT, a hybrid model that integrates a Graph Attention Network (GAT) with a sequence-to-sequence Recurrent Neural Network (RNN), and incorporates a task corrector capable of extracting complex behavioral patterns from large-scale trajectory data. The task corrector clusters historical trajectories to identify distinct motion patterns and fine-tunes the predictions generated by the GAT and RNN. Specifically, GSMT fuses dynamic bus information and static station information through embedded hybrid networks to perform trajectory prediction, and applies the task corrector for secondary refinement after the initial predictions are generated. This two-stage approach enables multi-node trajectory prediction among buses operating in dense urban traffic environments under complex conditions. Experiments conducted on a real-world dataset from Kuala Lumpur, Malaysia, demonstrate that our method significantly outperforms existing approaches, achieving superior performance in both short-term and long-term trajectory prediction tasks.
• Abstract（参考訳）: バスの正確な軌道予測は、特に都市環境でのインテリジェント交通システムにおいて重要である。 マルチモーダルデータへのアクセスが限られている発展途上国では、固有の課題にもかかわらず、オンボードGPSデータのみに依存することが不可欠である。 本稿では,グラフ注意ネットワーク(GAT)とシーケンス・ツー・シーケンス・リカレントニューラルネットワーク(RNN)を統合するハイブリッドモデルであるGSMTを提案する。 タスク修正器は、歴史的軌跡をクラスタリングして、異なる動きパターンを特定し、GATおよびRNNによって生成された予測を微調整する。 具体的には、GSMTは、組み込みハイブリッドネットワークを介して動的バス情報と静的ステーション情報を融合して軌道予測を行い、初期予測が生成された後、二次改善のためのタスク修正を施す。 この2段階のアプローチにより,複雑な環境下での都市交通環境下でのバス間の多ノード軌道予測が可能となる。 マレーシアのクアラルンプール(Kuala Lumpur)で実世界のデータセットを用いて行った実験により,本手法は既存手法よりも大幅に優れ,短期および長期の軌道予測タスクにおいて優れた性能を発揮することが示された。

関連論文リスト

• Graph Pruning Based Spatial and Temporal Graph Convolutional Network with Transfer Learning for Traffic Prediction [0.0]
  本研究では,グラフプルーニングと転送学習の枠組みに基づく新しい時空間畳み込みネットワーク(TL-GPSTGN)を提案する。 その結果、単一のデータセット上でのTL-GPSTGNの異常な予測精度と、異なるデータセット間の堅牢なマイグレーション性能が示された。
  論文  参考訳（メタデータ） (2024-09-25T00:59:23Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Spatio-Temporal Graph Neural Point Process for Traffic Congestion Event Prediction [16.530361912832763]
  本稿では,交通渋滞イベント予測のための時間グラフニューラルポイントプロセスフレームワークSTNPPを提案する。 提案手法は,既存の最先端手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-11-15T01:22:47Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Trajectory Prediction with Graph-based Dual-scale Context Fusion [43.51107329748957]
  本稿では,Dual Scale Predictorというグラフベースの軌道予測ネットワークを提案する。 静的および動的駆動コンテキストを階層的にエンコードする。 提案したデュアルスケールコンテキスト融合ネットワークにより、DSPは正確で人間らしいマルチモーダル軌道を生成することができる。
  論文  参考訳（メタデータ） (2021-11-02T13:42:16Z)
• Vehicle Trajectory Prediction in City-scale Road Networks using a Direction-based Sequence-to-Sequence Model with Spatiotemporal Attention Mechanisms [1.027974860479791]
  都市規模での車両のトレイ予測は、車両ナビゲーション、交通管理、位置ベースの推奨など、様々な位置情報ベースのアプリケーションにとって非常に重要である。 既存の方法は通常、軌跡をグリッドセル、道路セグメントまたは意図のシーケンスとして表現する。 D-LSTMと呼ばれる新しいシーケンス・ツー・シーケンスモデルを提案する。このモデルでは,各トラジェクトリを交点と関連する移動方向のシーケンスとして表現し,将来の世代のためにLSTMエンコーダ・デコーダネットワークに入力する。
  論文  参考訳（メタデータ） (2021-06-21T15:14:28Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• 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。