Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Spatio-Temporal Graph Convolutional Networks: A...
Search
tetsu9923
January 10, 2022
0
46
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting
tetsu9923
January 10, 2022
Tweet
Share
More Decks by tetsu9923
See All by tetsu9923
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
tetsu9923
0
570
Deep-learning Architecture for Short-term Passenger Flow Forecasting in Urban Rail Transit
tetsu9923
0
23
Featured
See All Featured
Fight the Zombie Pattern Library - RWD Summit 2016
marcelosomers
234
17k
Cheating the UX When There Is Nothing More to Optimize - PixelPioneers
stephaniewalter
284
13k
For a Future-Friendly Web
brad_frost
179
9.9k
VelocityConf: Rendering Performance Case Studies
addyosmani
332
24k
The World Runs on Bad Software
bkeepers
PRO
70
11k
Balancing Empowerment & Direction
lara
3
600
What’s in a name? Adding method to the madness
productmarketing
PRO
23
3.6k
Automating Front-end Workflow
addyosmani
1370
200k
Art, The Web, and Tiny UX
lynnandtonic
302
21k
Bash Introduction
62gerente
614
210k
The Invisible Side of Design
smashingmag
301
51k
The Success of Rails: Ensuring Growth for the Next 100 Years
eileencodes
46
7.6k
Transcript
Spatio-temporal graph convolutional networks: A deep learning framework for traffic
forecasting [Yu+, IJCAI 2018] • テーマ • 交通データなどの時空間グラフデータを扱うSTGCNの提案 • 新規性 • 時間的な依存関係をGated CNNによって捉える • 空間的な依存関係をGraph CNNによって捉える • 結果 • 2つの道路データセットを用いた実験でSoTA 1
背景 • 従来手法では時間的な依存関係を捉えるためにRNN、 空間的な依存関係を捉えるためにCNNを使用していた。しかし、 • RNN: 計算量が大きい • CNN: 交通網のトポロジー構造を考慮できない
→計算コストを削減するためにGated CNNを用いて、 交通網のトポロジー構造を考慮するためにGraph CNNを用いる 2
提案手法 3 ST-Conv Block Temporal Gated-Conv 全体図 Mステップ前 までの交通量 隣接行列
交通量の 予測値 Spatial Graph-Convは通常のGCNを使用 [Bruna+, ICLR 2014], [Kipf+, ICLR 2017] CNN+FC層
Temporal Gated-Conv 4 • 各ノードごとに以下の操作を行う 𝐶 𝐶 カーネルサイズ 𝐾 ∗
𝐶 ∗ 𝐶 の畳み込み σ 𝑀 𝑀 − 𝐾 + 1 アダマール積 Attentionの役割 時 間 方 向
評価実験 2種類の道路データセットを使用 • BJER4 • 北京市内の道路の平均速度(5分おき) • 12本の道路のデータを利用 • PeMSD7
• カリフォルニア州の高速道路の平均速度(5分おき) • 228か所の測定値を含むPeMSD7(M)、1,026か所の測定値を含む PeMSD7(L)を用意 非定型なデータを避けるため、いずれも平日のみのデータを使用 5
結果 • すべての評価指標、タイムスパンでSTGCNの精度が最も高い (Cheb)は[Bruna+, ICLR 2014]のSpectralな手法、(1st)は[Kipf+, ICLR 2017]のSpatialな手法 6
結果 • すべての評価指標、タイムスパンでSTGCNの性能が最も高い • 予測のタイムスパンが⾧いほど相対的にSTGCNの性能が良くなる 7
結果 • 比較的性能の高かったSTGCNとGCGRU [Li+, ICLR 2018]の計算コスト • RNNを使用しないためSTGCNの計算コストが大きく削減されている 8
まとめ • テーマ • 交通データなどの時空間グラフデータを扱うSTGCNの提案 • 手法 • 時間的な依存関係をGated CNNによって捉える
• 空間的な依存関係をGraph CNNによって捉える • 結果 • 2つの道路データセットを用いた実験でSoTA 9