교통 예측은 지능형 교통 시스템의 핵심 과제로, 시공간 상관관계를 포착하는 것이 중요합니다. 기존 그래프 합성곱·어텐션 네트워크는 정점 간의 큰 특성 차이를 처리하는 데 한계가 있어, 쌍별 인코딩과 이벤트 기반 인접 행렬을 갖춘 글로벌-로컬 그래프 어텐션 네트워크(GLGAT)를 제안합니다. GLGAT는 각 정점에 전역 어텐션 행렬과 개별 로컬 어텐션 행렬을 부여해 다양한 정점 특성을 효과적으로 표현합니다. 두 개의 실제 교통 데이터셋 실험에서 최신 기준 모델 대비 경쟁력 있는 성능을 입증했습니다.
- •GLGAT는 각 정점에 전역 어텐션 행렬과 개별 로컬 어텐션 행렬을 부여해 정점 간 다양한 특성을 효과적으로 처리합니다.
- •쌍별 인코딩과 이벤트 기반 인접 행렬을 도입해 교통 데이터의 시공간 상관관계를 더욱 정확하게 포착합니다.
- •두 개의 실제 교통 데이터셋 실험에서 최신 기준 모델 대비 경쟁력 있는 성능을 입증했습니다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
A Global-Local Graph Attention Network for Traffic Forecasting
- 1.교통 예측을 위한 전역-지역 그래프 어텐션 네트워크(GLGAT) 제안
- 2.노드별 로컈 어텐션 행렬과 전역 어텐션 행렬을 결합해 시공간 상관관계 포착
- 3.실제 교통 데이터셋 2종에서 최신 모델들과 경쟁적 성능 달성
왜 중요한가?
지능형 교통 시스템의 핵심인 교통 예측 정확도를 개선하는 그래프 신경망 접근법으로, 스마트시티 인프라에 실용적으로 적용 가능하다.
언급 프로젝트
본문 미리보기
arXiv:2605.16726v1 Announce Type: new Abstract: Traffic forecasting is a significant part of intelligent transportation systems. One of the critical challenges of traffic forecasting is to find spatio-temporal correlations. In recent years, graph convolutional networks and graph attention networks have replaced traditional statistical models to predict future traffic. However, it is complicated for both of them to allow vertices to have far different characters. To address this, we propose the
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:12AI 초안
