論文の概要: MDAS-GNN: Multi-Dimensional Spatiotemporal GNN with Spatial Diffusion for Urban Traffic Risk Forecasting

• arxiv url: http://arxiv.org/abs/2510.27197v1
• Date: Fri, 31 Oct 2025 05:41:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:15.995811
• Title: MDAS-GNN: Multi-Dimensional Spatiotemporal GNN with Spatial Diffusion for Urban Traffic Risk Forecasting
• Title（参考訳）: MDAS-GNN:都市交通リスク予測のための空間拡散型多次元時空間GNN
• Authors: Ziyuan Gao,
• Abstract要約: 交通事故は公衆衛生にとって重要な問題であり、毎年135万人以上が生活していると主張している。 従来の事故予測モデルは道路セグメントを独立に扱い、都市交通網における複雑な空間的関係や時間的依存を捉えない。 本研究では,交通安全,インフラ,環境リスクの3つの主要なリスク次元を統合した多次元注意型空間拡散グラフニューラルネットワークMDAS-GNNを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic accidents represent a critical public health challenge, claiming over 1.35 million lives annually worldwide. Traditional accident prediction models treat road segments independently, failing to capture complex spatial relationships and temporal dependencies in urban transportation networks. This study develops MDAS-GNN, a Multi-Dimensional Attention-based Spatial-diffusion Graph Neural Network integrating three core risk dimensions: traffic safety, infrastructure, and environmental risk. The framework employs feature-specific spatial diffusion mechanisms and multi-head temporal attention to capture dependencies across different time horizons. Evaluated on UK Department for Transport accident data across Central London, South Manchester, and SE Birmingham, MDASGNN achieves superior performance compared to established baseline methods. The model maintains consistently low prediction errors across short, medium, and long-term periods, with particular strength in long-term forecasting. Ablation studies confirm that integrated multi-dimensional features outperform singlefeature approaches, reducing prediction errors by up to 40%. This framework provides civil engineers and urban planners with advanced predictive capabilities for transportation infrastructure design, enabling data-driven decisions for road network optimization, infrastructure resource improvements, and strategic safety interventions in urban development projects.
• Abstract（参考訳）: 交通事故は公衆衛生上の重要な課題であり、毎年135万人以上が生活していると主張している。 従来の事故予測モデルは道路セグメントを独立に扱い、都市交通網における複雑な空間的関係や時間的依存を捉えない。 本研究では,交通安全,インフラ,環境リスクの3つの主要なリスク次元を統合した多次元注意型空間拡散グラフニューラルネットワークMDAS-GNNを開発した。 このフレームワークは、特徴特異的な空間拡散機構と多頭部時間的注意を用いて、異なる時間的地平線をまたいだ依存関係をキャプチャする。 中央ロンドン、サウスマンチェスター、セ・バーミンガムにおける英国運輸省の事故データに基づいて評価され、MDASGNNは確立された基準法よりも優れた性能を達成している。 このモデルは、短期、中長期、長期にわたる予測誤差を一貫して低く保ち、長期予測において特に強い。 アブレーション研究は、統合された多次元特徴が単一機能アプローチより優れ、予測誤差を最大40%削減することを確認した。 このフレームワークは、交通インフラ設計のための高度な予測機能を提供し、道路網の最適化、インフラ資源の改善、都市開発プロジェクトにおける戦略的安全介入のためのデータ駆動決定を可能にする。

関連論文リスト

• BiDepth: A Bidirectional-Depth Neural Network for Spatio-Temporal Prediction [4.263291797886899]
  本稿では,2つの重要なイノベーションを統合したBiDepth Multimodal Neural Network (BDMNN)を提案する。 BDMNNは長期の季節と短期の出来事の両方を捉えている。 CSACは、標準的な畳み込み層と同様に、ネットワーク全体の重要な空間関係を維持するように設計されている。
  論文  参考訳（メタデータ） (2025-01-14T19:59:59Z)
• 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)
• Urban Traffic Accident Risk Prediction Revisited: Regionality, Proximity, Similarity and Sparsity [18.566139471849844]
  交通事故は人間の健康と財産の安全に重大な危険をもたらす。 交通事故を防ぐために、リスクを予測することで関心が高まっている。 望ましい予測ソリューションは、交通事故の複雑さに対するレジリエンスを示すべきである、と我々は主張する。
  論文  参考訳（メタデータ） (2024-07-29T03:10:15Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• 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)
• STGIN: A Spatial Temporal Graph-Informer Network for Long Sequence Traffic Speed Forecasting [8.596556653895028]
  本研究では,長期交通パラメータ予測問題に対処する新しい時空間ニューラルネットワークアーキテクチャを提案する。 注意機構は、遠方の入力から重要な情報を失うことなく、長期的な予測性能を保証する可能性がある。
  論文  参考訳（メタデータ） (2022-10-01T05:58:22Z)
• STG-GAN: A spatiotemporal graph generative adversarial networks for short-term passenger flow prediction in urban rail transit systems [11.167132464665578]
  短期の旅客フロー予測は、都市交通システムを管理する上で重要であるが、難しい課題である。 本稿では,予測精度が高く,高い効率,メモリ占有率の低い,ディープラーニングに基づく時間グラフ生成対向ネットワーク(STG-GAN)モデルを提案する。 本研究は、特に現実の応用の観点から、短期の乗客フロー予測を行う上で、批判的な経験を提供することができる。
  論文  参考訳（メタデータ） (2022-02-10T13:18:11Z)
• 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)
• An Effective Dynamic Spatio-temporal Framework with Multi-Source Information for Traffic Prediction [0.22940141855172028]
  提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度を約3～7%向上する。 実験の結果,提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度が約3～7%向上した。
  論文  参考訳（メタデータ） (2020-05-08T14:23:52Z)
• 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)
• 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。