Predicting Traffic Flow with Federated Learning and Graph Neural with Asynchronous Computations Network

要約

リアルタイムの交通流予測は、高度道路交通システム (ITS) の領域内で非常に重要です。
予測精度と計算効率のバランスをとるという課題は、大きな課題となります。
この記事では、Federated Learning and Asynchronous Graph Convolutional Network (FLAGCN) と呼ばれる新しい深層学習手法を紹介します。
私たちのフレームワークには、リアルタイムの交通流予測の精度と効率を高めるために、フェデレーテッド ラーニングを備えた非同期グラフ畳み込みネットワークの原理が組み込まれています。
FLAGCN モデルは、時空間グラフ畳み込み手法を採用して、トラフィック データ内の時空間依存関係に非同期的に効果的に対処します。
この深層学習モデルに関連する計算要件を効率的に処理するために、この研究では、GraphFL として知られるグラフ連合学習技術を使用しました。
このアプローチは、トレーニング プロセスを容易にするように設計されています。
2 つの異なるトラフィック データセットでテストを実施して得られた実験結果は、FLAGCN の利用により、高レベルの予測精度を維持しながらトレーニング期間と推論期間の両方が最適化されることを示しています。
FLAGCN は、最高のパフォーマンスを誇る既存のモデルと比較して、RMSE で最大約 6.85%、MAPE で最大約 20.45% の削減を達成し、大幅な改善により既存のモデルを上回ります。

要約(オリジナル)

Real-time traffic flow prediction holds significant importance within the domain of Intelligent Transportation Systems (ITS). The task of achieving a balance between prediction precision and computational efficiency presents a significant challenge. In this article, we present a novel deep-learning method called Federated Learning and Asynchronous Graph Convolutional Network (FLAGCN). Our framework incorporates the principles of asynchronous graph convolutional networks with federated learning to enhance the accuracy and efficiency of real-time traffic flow prediction. The FLAGCN model employs a spatial-temporal graph convolution technique to asynchronously address spatio-temporal dependencies within traffic data effectively. To efficiently handle the computational requirements associated with this deep learning model, this study used a graph federated learning technique known as GraphFL. This approach is designed to facilitate the training process. The experimental results obtained from conducting tests on two distinct traffic datasets demonstrate that the utilization of FLAGCN leads to the optimization of both training and inference durations while maintaining a high level of prediction accuracy. FLAGCN outperforms existing models with significant improvements by achieving up to approximately 6.85% reduction in RMSE, 20.45% reduction in MAPE, compared to the best-performing existing models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google