文献

J-GLOBAL ID：202002288383214115   整理番号：20A2461521

都市交通流予測のための時空間適応ゲートグラフ畳込みネットワーク【JST・京大機械翻訳】

Spatiotemporal Adaptive Gated Graph Convolution Network for Urban Traffic Flow Forecasting

著者 (5件)： Lu Bin (Shanghai Jiao Tong University, Shanghai, China) ,  Gan Xiaoying (Shanghai Jiao Tong University, Shanghai, China) ,  Jin Haiming (Shanghai Jiao Tong University, Shanghai, China) ,  Fu Luoyi (Shanghai Jiao Tong University, Shanghai, China) ,  Zhang Haisong (Tencent AI Lab, Shenzhen, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： CIKM ’20  ページ： 1025-1034  発行年： 2020年 
JST資料番号： D0698C  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： 都市交通流予測は,インテリジェント輸送システムにおける重要な問題である。動的都市交通条件によってもたらされる複雑な時空間依存性と本質的な不確実性のために,それは非常に挑戦的である。既存の方法の大部分において,空間的相関を,局所空間近接性に基づく固定グラフを通してグラフニューラルネットワーク(GNN)を利用することによって捉えた。しかし,都市道路条件は複雑で変わりやすく,道路間の相互作用も時間とともに動的であるべきである。さらに,道路のグローバルな文脈情報も正確な予測にとって重要である。本論文では,都市交通流の時空間相関を利用し,道路ノードの空間近傍と意味近傍の両方を求めることにより,動的加重グラフを構築した。マルチヘッド自己注意時間畳み込みネットワークを利用して,歴史的観察を通して局所および長距離の時間依存性を捉えた。さらに,多層積層内の選択的空間依存性を抽出するための適応グラフゲーティングメカニズムを提案し,人工的に定義された空間相関に起因する情報偏差を修正する。Didi Chuxing GAIAイニシアティブからの実世界の都市交通データセットに関する広範な実験は,有効性を検証し,提案モデルの多段階予測性能が最先端のベースラインより優れている。このモデルのソースコードは,https://github.com/RobinLu1209/STAG-GCNで公的に利用できる。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 相互作用 ,  *畳込み ,  *ネットワーク ,  不確実性 ,  *都市交通 ,  道路 ,  ニューラルネットワーク ,  *都市 ,  時間依存性 ,  空間依存性 ,  多層 ,  有効性
準シソーラス用語： 空間相関 ,  ソースコード ,  近接性 , 【Automatic Indexing@JST】

著者キーワード (4件)： グラフニューラルネットワーク ,  時空間データ ,  交通予測 ,  都市コンピューティング

分類 (1件)： 交通調査  (TB01031B)

タイトルに関連する用語 (8件)： 都市 ,  交通流 ,  予測 ,  時空間 ,  適応 ,  ゲート ,  グラフ ,  畳込み