論文の概要: GEnSHIN: Graphical Enhanced Spatio-temporal Hierarchical Inference Network for Traffic Flow Prediction

• arxiv url: http://arxiv.org/abs/2601.04550v1
• Date: Thu, 08 Jan 2026 03:27:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.017129
• Title: GEnSHIN: Graphical Enhanced Spatio-temporal Hierarchical Inference Network for Traffic Flow Prediction
• Title（参考訳）: GENSHIN:交通流予測のための時空間階層推論ネットワーク
• Authors: Zhiyan Zhou, Junjie Liao, Manho Zhang, Yingyi Liao, Ziai Wang,
• Abstract要約: 本稿では,交通流予測における複雑な時間依存性を扱うためのグラフ拡張S時間階層推論ネットワーク(GEnSHIN)を提案する。 公開データセットMETR-LAの実験では、GEnSHINが複数のメトリクスで比較モデルのパフォーマンスを上回ることが示されている。
• 参考スコア（独自算出の注目度）: 0.7605656525323705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the acceleration of urbanization, intelligent transportation systems have an increasing demand for accurate traffic flow prediction. This paper proposes a novel Graph Enhanced Spatio-temporal Hierarchical Inference Network (GEnSHIN) to handle the complex spatio-temporal dependencies in traffic flow prediction. The model integrates three innovative designs: 1) An attention-enhanced Graph Convolutional Recurrent Unit (GCRU), which strengthens the modeling capability for long-term temporal dependencies by introducing Transformer modules; 2) An asymmetric dual-embedding graph generation mechanism, which leverages the real road network and data-driven latent asymmetric topology to generate graph structures that better fit the characteristics of actual traffic flow; 3) A dynamic memory bank module, which utilizes learnable traffic pattern prototypes to provide personalized traffic pattern representations for each sensor node, and introduces a lightweight graph updater during the decoding phase to adapt to dynamic changes in road network states. Extensive experiments on the public dataset METR-LA show that GEnSHIN achieves or surpasses the performance of comparative models across multiple metrics such as Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE). Notably, the model demonstrates excellent prediction stability during peak morning and evening traffic hours. Ablation experiments further validate the effectiveness of each core module and its contribution to the final performance.
• Abstract（参考訳）: 都市化の加速に伴い、インテリジェント交通システムは正確な交通流予測への需要が高まっている。 本稿では,交通流予測における複雑な時空間依存性を扱うためのグラフ拡張時空間階層型推論ネットワーク(GEnSHIN)を提案する。 このモデルには3つの革新的なデザインが組み込まれている。 1) Transformerモジュールの導入による長期的時間依存性のモデリング機能を強化したGCRU(Graph Convolutional Recurrent Unit) 2) 実際の道路網とデータ駆動型潜在非対称トポロジを利用して、実際の交通流の特性に適合するグラフ構造を生成する非対称な二重埋め込みグラフ生成機構。 3)学習可能なトラフィックパターンのプロトタイプを利用して各センサノードに対してパーソナライズされたトラフィックパターン表現を提供する動的メモリバンクモジュールを,デコードフェーズ中に軽量なグラフ更新器を導入し,道路ネットワーク状態の動的変化に対応する。 公開データセットMETR-LAの大規模な実験によると、GEnSHINはMean Absolute Error(MAE)、Root Mean Square Error(RMSE)、Mean Absolute Percentage Error(MAPE)など、複数のメトリクスで比較モデルのパフォーマンスを達成または上回っている。 特に、このモデルはピーク朝と夕方の交通時間に優れた予測安定性を示す。 アブレーション実験は、各コアモジュールの有効性と最終的な性能への貢献をさらに検証する。

関連論文リスト

• DKGCM: A Spatio-Temporal Prediction Model for Traffic Flow by Fusing Spatial Node Clustering Method and Fourier Bidirectional Mamba Mechanism [6.647935633052109]
  DKGCMと呼ばれる新しいグラフ畳み込みネットワーク構造を提案し、交通需要予測の精度を向上させる。 動的時間ウォーピング(DTW)とK平均クラスタリングを使用してトラフィックノードをグループ化し、より効果的に空間依存性をキャプチャする。 我々のモデルはいくつかの高度な手法より優れており、3つの公開データセットに対して強力な結果が得られる。
  論文  参考訳（メタデータ） (2025-06-26T06:33:36Z)
• SFADNet: Spatio-temporal Fused Graph based on Attention Decoupling Network for Traffic Prediction [4.868638426254428]
  本稿では,空間的特徴量に基づいてトラフィックフローを複数のトラフィックパターンに分類する,革新的なトラフィックフロー予測ネットワークであるSFADNetを提案する。 各パターンに対して、残差グラフ畳み込みモジュールと時系列モジュールを用いて、相互アテンション機構に基づく独立適応時間融合グラフを構築する。 大規模な実験結果によると、SFADNetは大規模な4スケールのデータセットで現在の最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-01-07T09:09:50Z)
• 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)
• A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
  本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。 モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
  論文  参考訳（メタデータ） (2024-06-02T05:41:25Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• 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 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)
• Dynamic Graph Convolutional Recurrent Network for Traffic Prediction: Benchmark and Solution [18.309299822858243]
  DGCRN(Dynamic Graph Contemporal Recurrent Network)と呼ばれる新しい交通予測フレームワークを提案する。 DGCRNでは、ハイパーネットワークはノード属性から動的特性を活用して抽出するように設計されている。 我々は、各時間ステップで動的グラフの細かい反復をモデル化する生成法を最初に採用した。
  論文  参考訳（メタデータ） (2021-04-30T11:25:43Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting [47.19400232038575]
  ノード固有のパターンの学習は、事前に定義されたグラフが避けられる間、トラフィック予測に不可欠である、と我々は主張する。 本稿では,新たな機能を備えたグラフ・コンパス・ネットワーク(GCN)の拡張のための2つの適応モジュールを提案する。 実世界の2つの交通データセットに対する実験により、AGCRNは空間接続に関する事前定義されたグラフを使わずに、かなりのマージンで最先端の性能を示した。
  論文  参考訳（メタデータ） (2020-07-06T15:51:10Z)

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。