Author(s): Barak Or
Awalnya diterbitkan di Menuju AI.
Graph Convolutional Network (GCN) telah merevolusi bidang pembelajaran mendalam dengan menunjukkan keserbagunaannya dalam memecahkan masalah dunia nyata, termasuk prediksi lalu lintas, yang merupakan masalah penting dalam transportasi.
Perkenalan
Graph Convolutional Network (GCN) adalah pengembangan revolusioner di bidang pembelajaran mendalam, yang menunjukkan keserbagunaan dan potensi penerapannya dalam mengatasi masalah dunia nyata. Salah satu tantangan tersebut adalah prediksi lalu lintas, yang merupakan isu penting dalam transportasi. Kemampuan untuk mengadaptasi algoritme GCN untuk tujuan prediksi lalu lintas sangat menjanjikan dan berpotensi berdampak signifikan pada industri transportasi.
Penting untuk dicatat bahwa posting ini mengasumsikan pemahaman sebelumnya tentang GCN. Bagi mereka yang memerlukan pengantar GCN, saya sangat menyarankan untuk menjelajahi pos Michael Bronstein, “Apakah kita memerlukan GNN yang dalam,” serta pos pengantar langsung Tobias Skovgaard Jepsen.
Kekuatan Graph Neural Networks (GNN) [1], khususnya GCN, terletak pada kemampuannya untuk memodelkan hubungan kompleks antar entitas, seperti yang ditunjukkan melalui contoh seperti ikatan kimia antar atom atau kecepatan lalu lintas antar ruas jalan. Dengan kemampuannya untuk pembelajaran fitur melalui operasi konvolusi grafik, GCN telah melihat penelitian yang luas dalam data visi dan teks, namun masih banyak potensi untuk mengeksplorasi penerapannya dalam domain deret waktu, membuka batasan baru untuk inovasi.
Gambar oleh penulis
Menjelajahi Tugas Deret Waktu dengan GCN Temporal
Munculnya GCN telah membuka kemungkinan baru untuk menganalisis dan memahami data terstruktur grafik, termasuk data deret waktu. Data deret waktu menghadirkan tantangan unik dibandingkan dengan bentuk data lain, seperti gambar. Seringkali kurang intuitif, tidak memiliki representasi visual yang jelas, dan membutuhkan pemahaman mendalam tentang kausalitas untuk dianalisis secara efektif.
Untuk mengatasi tantangan ini, bidang penelitian baru yang dikenal sebagai Temporal GCN (TGCN) telah muncul, yang menggabungkan kekuatan GCN dengan Recurrent Neural Networks (RNN), Long-Short Term Memory (LSTM), atau Gated Recurrent Units ( GRU). Hal ini memungkinkan TGCN untuk menangkap aspek spasial dan temporal dari data deret waktu, menjadikannya alat yang ampuh untuk menganalisis sistem yang kompleks dan dinamis.
Selanjutnya, kita akan mengeksplorasi potensi TGCN untuk prediksi lalu lintas [2], yang merupakan masalah penting dalam transportasi. Dengan menganalisis pola lalu lintas dan ketergantungan antara segmen jalan yang berbeda dari waktu ke waktu, TGCN dapat memberikan wawasan dan membuat prediksi yang akurat tentang kondisi lalu lintas di masa mendatang. Melalui contoh ini, kami bertujuan untuk menunjukkan keserbagunaan dan potensi TGCN untuk memecahkan masalah dunia nyata dan meningkatkan pemahaman kami tentang data deret waktu.
GCN Temporal Untuk Prediksi Lalu Lintas
Prediksi lalu lintas adalah masalah kritis dalam transportasi, dan menemukan solusi yang akurat sangat penting untuk mengoptimalkan arus lalu lintas dan mengurangi kemacetan. Metode tradisional untuk memprediksi kecepatan lalu lintas hanya mempertimbangkan nilai masa lalu dari deret waktu yang sama, namun dengan munculnya GCN dan GRU, pendekatan yang lebih komprehensif dimungkinkan.
Dalam sebuah studi baru-baru ini [2], sebuah pendekatan baru untuk prediksi lalu lintas diusulkan yang memanfaatkan kekuatan GCN dan GRU. Para peneliti memodelkan jaringan lalu lintas sebagai grafik, dengan setiap ruas jalan menjadi simpul dan hubungan antar ruas menjadi ujungnya. Kecepatan lalu lintas kemudian direpresentasikan sebagai sinyal pada grafik ini, memungkinkan model untuk menangkap fitur spasial dan temporal dari data.
Arsitekturnya menyertakan lapisan konvolusi grafik dan lapisan GRU, yang memungkinkan model untuk secara efektif menangkap hubungan antara segmen jalan yang berbeda dan memprediksi kecepatan lalu lintas di masa depan. Dengan mempertimbangkan ketergantungan antar segmen jalan, solusi ini memberikan prediksi lalu lintas yang lebih akurat dan komprehensif daripada metode tradisional.
Gambar oleh penulis
Menjelajahi Set Data Ruas Jalan
Untuk memahami apakah ada ketergantungan antara segmen jalan yang berbeda, kita perlu menganalisis korelasi di antara mereka. Untuk melakukannya, kami memilih 26 jalan dari 228 yang tersedia di kumpulan data dan membuat peta korelasi.
Dengan memvisualisasikan korelasinya, kita dapat melihat apakah ada hubungan antara kecepatan lalu lintas di segmen jalan yang berbeda. Jika ada hubungan yang kuat, ini memberikan pembenaran yang jelas untuk penggunaan GCN untuk memodelkan dependensi.
Penting untuk dicatat bahwa menangkap hubungan ini sangat penting dalam memprediksi kecepatan lalu lintas secara akurat. Dengan menggunakan GCN, kita dapat mempertimbangkan tidak hanya kecepatan lalu lintas individu dari setiap segmen jalan tetapi juga saling ketergantungan antar segmen. Pendekatan holistik ini memungkinkan prediksi kecepatan lalu lintas yang lebih akurat dan kuat.
Gambar oleh penulis
Untuk memahami apakah ada ketergantungan antara segmen jalan yang berbeda dalam kumpulan data, kami menghitung korelasinya. Hasilnya menunjukkan bahwa segmen 4–5–6–7 dan 19–20–21 memiliki korelasi yang tinggi, menyoroti pentingnya menggabungkan fitur spasial. Dalam penelitian mereka, Ling Zhao dan timnya mengusulkan arsitektur TGCN yang memanfaatkan fitur spasial dan temporal, dengan lapisan konvolusi grafik untuk yang pertama dan lapisan GRU untuk yang terakhir. Kami bermain dengan kode mereka [3] dan membuatnya dapat diakses melalui notebook Google Colab, memberikan kesempatan bagi Anda untuk bereksperimen dengannya dengan mudah [4]. Hasilnya menjanjikan, dan kami mendorong Anda untuk menguji lebih lanjut dan menyempurnakan model dengan menyesuaikan parameter dan menambah jumlah zaman.
Keras.io Tutorial peramalan lalu lintas time-series
Ringkasan
Graph convolutional network (GCN) adalah pengembangan yang sangat inovatif dan berdampak dalam pembelajaran mendalam. Ini memiliki banyak aplikasi dalam domain deret waktu, yang diadaptasi untuk menyertakan fitur temporal. Untuk menampilkan kemampuan TGCN, contoh prediksi kecepatan lalu lintas digunakan dan peta korelasi diperlihatkan untuk menyoroti perlunya penyertaan fitur spasial.
ikuti saya di Medium untuk posting lainnya
tentang Penulis
Barak Or adalah Pengusaha dan pakar AI & navigasi; Mantan Qualcomm. Barak bergelar M.Sc. dan B.Sc. di bidang Teknik dan BA di bidang Ekonomi dari Technion. Pemenang hadiah Gemunder. Barak menyelesaikan Ph.D. di bidang AI dan Sensor Fusion. Penulis beberapa makalah dan paten. Dia adalah pendiri dan CEO ALMA Tech. LTD, perusahaan AI & navigasi canggih.
Bacaan lebih lanjut dan komentar
[1] GCN pertama kali diperkenalkan di “Spectral Networks and Deep Locally Connected Networks on Graphs” (Bruna et al, 2014).
[2] Makalah bernama “T-GCN: Jaringan Konvolusional Grafik Temporal untuk Prediksi Lalu Lintas” oleh Ling Zhao et al diterbitkan di IEEE, 2020.
[3] Kode yang disertakan dapat ditemukan di halaman tutorial Keras. di situs web. Arash Khodadadi adalah penulis tutorial Keras untuk makalah ini. Data masuk [6].
[4] Implementasi Colab: Timeseries_Traffic_Forecasting. Datasetnya dari [3].
[5] Apakah kita memerlukan jaringan saraf grafik yang dalam — oleh Michael Bronstein
[6] Data tersebut dapat ditemukan di situs web Keras di tautan berikut: https://keras.io/examples/timeseries/timeseries_traffic_forecasting/
Peramalan Lalu Lintas: Kekuatan Jaringan Konvolusi Grafik pada Seri Waktu awalnya diterbitkan di Towards AI on Medium, di mana orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.
Diterbitkan melalui Menuju AI
