WEKO3
アイテム
拡大する交通ネットワークにおける交通予測のためのSTGNNモデル
https://ipsj.ixsq.nii.ac.jp/records/2005278
https://ipsj.ixsq.nii.ac.jp/records/20052783ba23db5-bb81-43a8-af59-43aeb163aeda
| 名前 / ファイル | ライセンス | アクション |
|---|---|---|
IPSJ-TOD1804008.pdf (622.3 KB)
2027年10月30日からダウンロード可能です。
|
Copyright (c) 2025 by the Information Processing Society of Japan
|
|
| 非会員：¥660, IPSJ:学会員：¥330, DBS:会員：¥0, IFAT:会員：¥0, DLIB:会員：¥0 | ||
| Item type | Trans(1) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| 公開日 | 2025-10-30 | |||||||||
| タイトル | ||||||||||
| 言語 | ja | |||||||||
| タイトル | 拡大する交通ネットワークにおける交通予測のためのSTGNNモデル | |||||||||
| タイトル | ||||||||||
| 言語 | en | |||||||||
| タイトル | Investigating Information Needs During Spreadsheet Data Analysis | |||||||||
| 言語 | ||||||||||
| 言語 | jpn | |||||||||
| キーワード | ||||||||||
| 主題Scheme | Other | |||||||||
| 主題 | [研究論文] 交通予測，時空間グラフニューラルネットワーク，転移学習 | |||||||||
| 資源タイプ | ||||||||||
| 資源タイプ識別子 | http://purl.org/coar/resource_type/c_6501 | |||||||||
| 資源タイプ | journal article | |||||||||
| 著者所属 | ||||||||||
| 横浜市立大学大学院 | ||||||||||
| 著者所属 | ||||||||||
| 横浜市立大学大学院 | ||||||||||
| 著者所属(英) | ||||||||||
| en | ||||||||||
| Yokohama City Univercity | ||||||||||
| 著者所属(英) | ||||||||||
| en | ||||||||||
| Yokohama City Univercity | ||||||||||
| 著者名 |
川端,智紀
× 川端,智紀
× 戸田,浩之
|
|||||||||
| 著者名(英) |
Tomoki Kawabata
× Tomoki Kawabata
× Hiroyuki Toda
|
|||||||||
| 論文抄録 | ||||||||||
| 内容記述タイプ | Other | |||||||||
| 内容記述 | データに基づいて未来の交通状態（例：交通量，交通速度）を予測する交通予測は，交通管理や交通資源配分の効率化に有用である．この分野では，多くの時空間グラフニューラルネットワーク（STGNN）を活用した予測モデルが提案され，十分な学習データを利用できる状況下で優れた結果を示している．しかし，これらのモデルは，交通ネットワークが拡大した場合，新たなネットワークに最適化するために再学習が必要となるが，学習データ不足の問題に直面する．そこで本研究では，同一都市内の異なる時間帯，すなわちネットワーク拡大前のデータから得られる知識を転移することで，この問題に対処する．具体的には，都市に関する情報を記憶し，ロバストな長期の時系列を考慮できるSTGNNモデルと，ファインチューニングと呼ばれるシンプルな転移学習手法を利用する．評価として，実際に交通ネットワークが拡大する実世界交通データセットを用いた実験を行った結果，提案手法が上記の問題に効果的に対処できることが示された． | |||||||||
| 論文抄録(英) | ||||||||||
| 内容記述タイプ | Other | |||||||||
| 内容記述 | Traffic forecasting involves predicting future traffic states, such as speed and volume, based on data. Accurate traffic forecasting is crucial for effective traffic management and optimizing transportation resource allocation. In the field, many spatio-temporal graph neural network (STGNN) models have been proposed and achieve high prediction accuracy under circumstances where sufficient data is available. However, when the traffic network expands, these models need to be re-trained to optimize for the new traffic network, but the problem of insufficient data arises. We therefore address this problem by using transfer learning between different time periods within the same city. Specifically, we use an STGNN model that stores information about the city and can consider robust long-term time series, and a simple transfer learning method known as fine-tuning. For evaluation, we perform experiments on traffic data with expanding the traffic network. Experimental results show that our model can effectively address the problem. | |||||||||
| 書誌レコードID | ||||||||||
| 収録物識別子タイプ | NCID | |||||||||
| 収録物識別子 | AA11464847 | |||||||||
| 書誌情報 |
情報処理学会論文誌データベース（TOD） 巻 18, 号 4, p. 55-63, 発行日 2025-10-30 |
|||||||||
| ISSN | ||||||||||
| 収録物識別子タイプ | ISSN | |||||||||
| 収録物識別子 | 1882-7799 | |||||||||
| 出版者 | ||||||||||
| 言語 | ja | |||||||||
| 出版者 | 情報処理学会 | |||||||||
