IEEE Transactions on Intelligent Transportation Systems· 2019Q1
Trafik Grafik Konvolüsyonel Tekrarlayan Sinir Ağı: Ağ Ölçekli Trafik Öğrenme ve Tahmini İçin Bir Derin Öğrenme Çerçevesi
Traffic Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting
- 966atıf
- Q1SCImago
- 2019yıl
Kısa özet
Trafik ağlarını grafikler olarak modelleyerek ve mekansal bağımlılıkları öğrenerek ağ genelindeki trafiği etkili bir şekilde tahmin eden yeni bir derin öğrenme çerçevesi olan TGC-LSTM.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Ağ ölçekli trafik tahmini için bir derin öğrenme çerçevesi olan TGC-LSTM'yi önermektedir.
- Trafik ağlarını fiziksel topolojiye dayalı trafik grafik konvolüsyonunu tanımlayarak grafikler olarak modeller.
- Geliştirilmiş yorumlanabilirlik için kayıplar fonksiyonuna ağırlıklar üzerinde L1-norm ve özellikler üzerinde L2-norm ekler.
- İki gerçek dünya trafik durumu veri kümesinde temel yöntemlerden daha iyi performans gösterir.
- Görselleştirmeler, modelin etkili yol bölümlerini tanımlayabildiğini göstermektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Traffic forecasting is a particularly challenging application of spatiotemporal forecasting, due to the time-varying traffic patterns and the complicated spatial dependencies on road networks. To address this challenge, we learn the traffic network as a graph and propose a novel deep learning framework, Traffic Graph Convolutional Long Short-Term Memory Neural Network (TGC-LSTM), to learn the interactions between roadways in the traffic network and forecast the network-wide traffic state. We define the traffic graph convolution based on the physical network topology. The relationship between the proposed traffic graph convolution and the spectral graph convolution is also discussed. An L1-norm on graph convolution weights and an L2-norm on graph convolution features are added to the model's loss function to enhance the interpretability of the proposed model. Experimental results show that the proposed model outperforms baseline methods on two real-world traffic state datasets. The visualization of the graph convolution weights indicates that the proposed framework can recognize the most influential road segments in real-world traffic networks.
Yazarların özeti; kaynağından alınmıştır. IEEE Transactions on Intelligent Transportation Systems, 2019 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Yapı ve İnşaat
Building and ConstructionEngineering