論文の概要: Explaining spatial information flow in short-term traffic forecasting models using a gated graph attention network

• arxiv url: http://arxiv.org/abs/2609.20217v1
• Date: Sun, 09 Aug 2026 16:29:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.638098
• Title: Explaining spatial information flow in short-term traffic forecasting models using a gated graph attention network
• Title（参考訳）: ゲートグラフアテンションネットワークを用いた短期交通予測モデルにおける空間情報フローの説明
• Abstract要約: グラフアテンションネットワーク(GAT)は、近隣の場所の影響を捉えている。 GAT層は、近隣の場所の影響を捉えていると広く説明されているが、これはほとんど検証されていない。 GAT層にゲートを追加することでこの問題に対処し、各センサーと各ステップで、センサーの更新された状態の共有が隣人から引き出されるかを学ぶ。 ゲートの規則化は、近隣情報を徐々に引き出し、段階的なアブレーションを提供する。
• 参考スコア（独自算出の注目度）: 10.018603193717412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Short-term traffic forecasting supports real-time monitoring and control of road networks, and graph attention networks (GAT) are the standard means of representing spatial dependence in these models. GAT layers are widely described as capturing the influence of neighbouring locations, but this is seldom verified, because the attention weights offered in support cannot be compared against any measured quantity. That leaves two questions open, how the model should be explained and which of its components are necessary. We address this by adding a gate to the GAT layer which learns, at every sensor and every time step, what share of a sensor's updated state is drawn from its neighbours rather than from itself. Regularising the gate withdraws neighbour information progressively and thereby provides a graded form of ablation. We apply the gated GAT to ST-MetaNet, whose encoder and decoder each place one GAT layer between two recurrent layers, and train it on one calendar year of records from 498 loop detectors on the strategic road network of England. The gate assigns a larger share of neighbour information to sensors carrying heavier traffic and follows the daily and weekly cycle of travel, consistent with adjacent locations being more strongly coupled when busy. Mild regularisation improves accuracy slightly, and accuracy declines at higher strengths as the penalty withdraws information the model needs. The encoder gate closes before the decoder gate, but direct ablation qualifies that ordering. Removing either GAT layer alone leaves accuracy at least as good as keeping both, whereas removing both degrades it substantially, so the two layers are largely redundant rather than either being indispensable. The gated GAT therefore yields a modest accuracy gain, an explanation of where and when spatial information flows, and evidence on which layers the architecture requires.
• Abstract（参考訳）: 短期的な交通予測は道路ネットワークのリアルタイム監視と制御をサポートし、グラフアテンションネットワーク(GAT)はこれらのモデルにおける空間依存を表現する標準的な手段である。 GAT層は、近隣の場所の影響を捉えていると広く言われているが、これは、サポート対象の注意重みが測定量と比較できないため、ほとんど検証されていない。 モデルがどのように説明されるべきか、どのコンポーネントが必要なのか、という2つの質問が開かれています。 GAT層にゲートを追加することでこの問題に対処し、センサの更新された状態の共有は、それ自身からではなく、隣人から引き出される。 ゲートの規則化は、近隣情報を徐々に引き出し、段階的なアブレーションを提供する。 ゲートGATをST-MetaNetに適用し、そのエンコーダとデコーダはそれぞれ1つのGAT層を2つの繰り返し層の間に配置し、イングランドの戦略的道路ネットワーク上の498ループ検出器から1つのカレンダー年にトレーニングする。 ゲートは、交通量の多いセンサーに隣り合う情報の大部分を割り当て、毎日や毎週の旅行のサイクルに従っており、忙しいときに隣の場所がより強く結びついているのと一致している。 軽度正規化は精度をわずかに改善し、ペナルティがモデルが必要とする情報を取り出すにつれて、より高強度で精度が低下する。 エンコーダゲートはデコーダゲートの前に閉じるが、直接アブレーションはその順序に適合する。 いずれかのGAT層を除去しても、両方を除去するほど正確さは保たれるが、両方の層を実質的に取り除くことは困難ではなく、ほとんど冗長である。 従ってゲートGATは、最小限の精度のゲイン、空間情報の流れの場所とタイミングの説明、そしてアーキテクチャがどの層を必要とするかの証拠が得られる。

関連論文リスト

• Few Shot Semi-Supervised Learning for Abnormal Stop Detection from Sparse GPS Trajectories [9.895353254067894]
  都市間交通における異常な停止検知は、乗客の安全、運転の信頼性、規制の遵守を保証するために重要である。 既存の方法は、しばしば密度の高いサンプリングや規則的な動きパターンを仮定し、適用性を制限する。 本研究では,局所空間時間密度に基づいてセグメント境界を適応的に定義するスパーシティ・アウェア (SAS) 手法を提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:22:34Z)
• MoGERNN: An Inductive Traffic Predictor for Unobserved Locations in Dynamic Sensing Networks [15.487715528848456]
  MoGERNNはセンサのない地域でも正確な渋滞進化を予測でき、交通管理に有用な情報を提供する。 実世界の2つのデータセットの実験では、MoGERNNは観測された場所と観測されていない場所の両方のベースラインメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-01-21T16:52:42Z)
• 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)
• PreRoutGNN for Timing Prediction with Order Preserving Partition: Global Circuit Pre-training, Local Delay Learning and Attentional Cell Modeling [84.34811206119619]
  本稿では,事前のタイミング予測に対する2段階のアプローチを提案する。 まず、回路網リストからグローバルグラフ埋め込みを学習するグラフオートエンコーダを事前学習するためのグローバル回路トレーニングを提案する。 第2に、GCN上のメッセージパッシングのための新しいノード更新方式を、学習したグラフ埋め込みと回路グラフのトポロジ的ソートシーケンスに従って使用する。 21個の実世界の回路の実験では、スラック予測のための新しいSOTA R2が0.93で達成され、以前のSOTA法では0.59をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-27T02:23:07Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
  本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。 実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
  論文  参考訳（メタデータ） (2022-07-21T10:19:07Z)
• DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic Forecasting [7.232141271583618]
  以上の問題に対処する新しい動的多重グラフ畳み込み再帰ネットワーク(DMG)を提案する。 距離に基づくグラフを用いて,距離の近いノードから空間情報をキャプチャする。 また,道路間の構造相関を符号化した新しい潜在グラフを構築し,ノードから空間情報をキャプチャする。
  論文  参考訳（メタデータ） (2021-12-04T06:51:55Z)

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。