関係誘導バイアスとして局所を用いたグラフネットワークによる少数サンプルトラフィック予測【JST・京大機械翻訳】

Li Mingxi; Tang Yihong; Ma Wei

プレプリント

J-GLOBAL ID：202202213264451599 整理番号：22P0300615

関係誘導バイアスとして局所を用いたグラフネットワークによる少数サンプルトラフィック予測【JST・京大機械翻訳】

Few-Sample Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年03月08日プレプリントサーバーでの情報更新日： 2022年11月10日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

正確な短期交通予測は,様々なスマートモビリティ操作と管理システムで中心的な役割を果たす。現在,最先端の予測モデルの大部分はグラフニューラルネットワーク(GNN)に基づいており,必要な訓練サンプルはトラフィックネットワークのサイズに比例する。多くの都市において,利用可能な交通データ量は,データ収集費用により最小要求量を大幅に下回っている。大規模ネットワークに関する訓練データの小さいサイズの交通予測モデルを開発することは,まだ未解決の問題である。近い将来のノードの交通状態は,その局所化された近隣の交通状態に依存し,グラフ関係誘導バイアスを用いて表現できる。これを考慮して,本論文では,局所データ集約と更新機能,ならびにノードワイズ再帰ニューラルネットワークを用いて,トラヒックダイナミックスを表すグラフネットワーク(GN)ベース深層学習モデル局所GNを開発した。局所GNは,過剰適合のない少数のサンプルで訓練のために設計された軽量モデルであり,したがって,少数サンプルトラフィック予測の問題を解決することができる。提案モデルは,6つのデータセットによる交通速度と流れの両方の予測に関して調査され,実験結果は,局所GNが既存の最先端のベースラインモデルより優れていることを証明した。また,局所GNからの学習された知識は都市を横断して移動できることも示した。研究結果は,特に歴史的に保管された交通データを欠いている都市に対して,軽量の交通予測システムを開発するのを助けることができる。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

交通調査

, , , ,

前のページに戻る