Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/82730
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorSuronapee Phoomvuthisarn-
dc.contributor.authorPitikorn Khlaisamniang-
dc.contributor.otherChulalongkorn University. Faculty of Commerce and Accountancy-
dc.date.accessioned2023-08-04T06:41:30Z-
dc.date.available2023-08-04T06:41:30Z-
dc.date.issued2022-
dc.identifier.urihttps://cuir.car.chula.ac.th/handle/123456789/82730-
dc.descriptionThesis (M.Sc.)--Chulalongkorn University, 2022-
dc.description.abstractModern cities heavily rely on complex transportation, making accurate traffic speed prediction crucial for traffic management authorities. Classical methods, including statistical techniques and traditional machine learning techniques, fail to capture complex relationships, while deep learning approaches may have weaknesses such as error accumulation, difficulty in handling long sequences, and overlooking spatial correlations. Graph neural networks (GNNs) have shown promise in extracting spatial features from non-Euclidean graph structures, but they usually initialize the adjacency matrix based on distance and may fail to detect hidden statistical correlations. The choice of correlation measure can have a significant impact on the resulting adjacency matrix and the effectiveness of graph-based models. This thesis proposes a novel approach for accurately forecasting traffic patterns by utilizing a multi-view spatio-temporal graph neural network that captures data from both realistic and statistical domains. Unlike traditional correlation measures such as Pearson correlation, copula models are utilized to extract hidden statistical correlations and construct multivariate distribution functions to obtain the correlation relationship among traffic nodes. A two-step approach is adopted, which involves selecting and testing different types of bivariate copulas to identify the ones that best fit the traffic data, and utilizing these copulas to create multi-weight adjacency matrices. The second step involves utilizing a graph convolutional network to extract spatial information and capturing temporal trends using dilated causal convolutions. The proposed ST-CopulaGNN model outperforms previous approaches such as DCRNN and Graph WaveNet, indicating the effectiveness of incorporating copulas in trafficforecasting. Experiments on theMETR-LA and PEMS-BAY datasets show that the proposed model outperforms previous approaches with a slight improvement.-
dc.description.abstractalternativeเมืองสมัยใหม่พึ่งพาการคมนาคมที่ซับซ้อนเป็นอย่างมากดังนั้นการคาดคะเนสภาพ การจราจรที่แม่นยำมีความสำคัญอย่างยิ่งสำหรับหน่วยงานด้านการจัดการการจราจรวิธี การดั้งเดิมซึ่งประกอบไปด้วยวิธีการเชิงสถิติและวิธีการการเรียนรู้ของเครื่องแบบดั้งเดิมไม่ สามารถที่จะตรวจจับความสัมพันธ์ที่ซับซ้อนได้ในขณะที่การเรียนรู้เชิงลึกยังมีข้อด้อยใน เรื่องของการทบกันของความผิดพลาดความยากลำบากในการจัดการลำดับที่ยาวและการ ไม่คำนึงถึงความสัมพันธ์เชิงพื้นที่โครงข่ายประสาทเทียมแบบกราฟได้แสดงให้เห็นถึงความ สามารถในการแยกลักษณะเชิงพื้นที่ออกจากโครงสร้างกราฟที่ไม่ใช่แบบยุคลิดแต่โครงข่าย ประสาทเทียมแบบกราฟส่วนมากนิยามแมทริกซ์ประชิดจากระยะห่างระหว่างจุดของกราฟ ซึ่งไม่สามารถตรวจจับความสัมพันธ์ในเชิงสถิติได้การเลือกวัดความสัมพันธ์ระหว่างจุดของ กราฟจึงมีความสำคัญในการทำโมเดลเชิงกราฟวิทยานิพนธ์เล่มนี้นำเสนอโครงข่ายประสาท เทียมแบบกราฟเชิงพื้นที่และเวลาแบบหลายมุมมองซึ่งสามารถตรวจจับข้อมูลในเชิงความ สัมพันธ์ที่เป็นจริงและความสัมพันธ์เชิงสถิติซึ่งแตกต่างจากการวัดความสัมพันธ์แบบดั้งเดิม คอปปูลาสามารถแยกความสัมพันธ์ทางสถิติที่ซ่อนอยู่และสร้างฟังก์ชันการแจกแจงหลาย ตัวแปรเพื่อให้ได้ความสัมพันธ์ระหว่างจุดของการจราจรมีการนำวิธีการสองขั้นตอนมาใช้ ประกอบด้วยการทดสอบคอปปูลาของสองตัวแปรเพื่อหาคอปปูลาที่เหมาะสมในการนิยาม ความสัมพันธ์ระหว่างคู่จุดใดๆ ในกราฟของการจราจรและนำพารามิเตอร์ของคอปปูลานั้น ๆมาสร้างเป็นแมทริกซ์ประชิดขั้นตอนต่อมาจะเป็นการใช้โมเดลโครงข่ายประสาทเทียมเชิง กราฟแบบคอนโวลูชันในการสกัดข้อมูลเชิงพื้นที่และตรวจจับข้อมูลเชิงเวลาด้วยไดเลตเต็ดคอ ซอลคอนโวลูชันโมเดล ST-CopulaGNN ที่ทางผู้จัดทำได้นำเสนอให้ประสิทธิภาพที่ดีกว่า โมเดลก่อนหน้าอย่าง DCRNN และ GraphWaveNet ชี้ให้เห็นถึงผลลัพธ์ของการนำคอปปู ลามาใช้ในการวิเคราะห์การจราจรโดยทดลองบนชุดข้อมูล METR-LA และ PEMS-BAY-
dc.language.isoen-
dc.publisherChulalongkorn University-
dc.relation.urihttp://doi.org/10.58837/CHULA.THE.2022.341-
dc.rightsChulalongkorn University-
dc.subject.classificationComputer Science-
dc.subject.classificationMathematics-
dc.subject.classificationInformation and communication-
dc.subject.classificationComputer science-
dc.titleSpatio-temporal copula-based graph neural networks for traffic forecasting-
dc.title.alternativeโครงข่ายประสาทเทียมแบบกราฟเชิงปริภูมิกาลโดยใช้คอปปูลาสำหรับการพยากรณ์การจราจร-
dc.typeThesis-
dc.degree.nameMaster of Science-
dc.degree.levelMaster's Degree-
dc.degree.disciplineStatistics-
dc.degree.grantorChulalongkorn University-
dc.identifier.DOI10.58837/CHULA.THE.2022.341-
Appears in Collections:Acctn - Theses

Files in This Item:
File Description SizeFormat 
6480449226.pdf3.8 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.