抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
輸送網における複雑な空間-時間相関は,交通予測問題を困難にする。輸送システムは本質的にグラフ構造を所有しているので,多くの研究努力がグラフニューラルネットワークで実施されている。最近,データに対する適応グラフの構築は,単一静的グラフ構造に依存するモデルに対して有望な結果を示した。しかしながら,グラフ適応化は訓練フェーズ中に適用され,テストフェーズ中に用いられたデータを反映していない。このような欠点は,トラヒックデータが時系列の予期しない変化と不規則性にしばしば悩まされるので,特にトラヒック予測において問題になる。本研究では,プログレッシブグラフ畳込みネットワーク(PGCN)と呼ぶ新しいトラヒック予測フレームワークを提案した。PGCNは,訓練と試験フェーズの間,オンライン入力データに漸進的に適応することによって,一組のグラフを構築する。具体的には,グラフノード間の傾向類似性を学習することにより,漸進的隣接行列を構築するためにこのモデルを実装した。次に,このモデルを拡張因果畳込みとゲート付き活性化ユニットと組合せ,時間的特徴を抽出した。残差とスキップ接続により,PGCNはトラヒック予測を行う。多様な幾何学的性質を持つ7つの実世界トラフィックデータセットに適用した場合,提案モデルでは,すべてのデータセットの中でコンシステンシーを持つ最先端のパフォーマンスを実現した。入力データに漸進的に適応するPGCNの能力は,モデルがロバスト性を持つ異なる研究サイトで一般化できると結論した。【JST機械翻訳】