文献

J-GLOBAL ID：202002274380995480   整理番号：20A2282580

マルチグラフニューラルネットワークによるクラウドフロー予測【JST・京大機械翻訳】

Crowd Flow Forecasting with Multi-Graph Neural Networks

著者 (4件)： Zhang Xu (Chongqing University of Posts and Telecommunications,Department of Computer Science and Technology,Chongqing,China) ,  Cao Ruixu (Chongqing University of Posts and Telecommunications,Department of Computer Science and Technology,Chongqing,China) ,  Zhang Zuyu (Chongqing University of Posts and Telecommunications,Department of Computer Science and Technology,Chongqing,China) ,  Xia Ying (Chongqing University of Posts and Telecommunications,Department of Computer Science and Technology,Chongqing,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IJCNN  ページ： 1-7  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 都市交通管理と個人旅行計画にとって,混雑流予測は非常に重要である。都市地理的構造の複雑性と群衆流に対する高度に非線形な時間的および空間的依存性のため,正確な予測は,非常に挑戦的になる。最近の研究は,通常,都市を同じサイズの地域に分割し,複雑な地形を持つ都市に対して,ヒートマップは,多くの無効データを含み,空間依存性の取得にマイナス効果を持っている。影響を減らすために,著者らはクラウドフローをグラフに符号化して,クラウドフロー予測問題を解決するためにマルチグラフニューラルネットワークベースのモデルを提案した。著者らは最初にユークリッド距離とピアソン相関係数によって2つのK-NNグラフを構築して,空間依存性をグラフ注意ネットワーク(GAT)とChebNetから成る空間ブロックを通して捕捉して,次に,もうひとつのChebNetを2つのグラフの空間依存性を融合するために展開した。その後,LSTMを適用して,すべての領域の時間的依存性を別々に捕捉し,自己注意機構および完全接続層を用いて,CNNの植物予測結果の受容野を(a)した。2つの実世界データセットに基づく大規模な実験結果は,著者らのモデルが他のベースラインに関して重要な性能を達成することを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ネットワーク ,  都市交通 ,  *ニューラルネットワーク ,  旅行 ,  都市 ,  地理学 ,  空間依存性 ,  基準線
準シソーラス用語： 複雑性 ,  Euclid距離 ,  受容野 ,  Pearson相関係数 ,  ヒートマップ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： マルチ ,  グラフニューラルネットワーク ,  クラウド ,  フロー ,  予測