Graph partitioning for accuracy and scalability in training GNN-based traffic prediction models for Intelligent Transportation Systems
Notice bibliographique
Résumé
As urban areas grow and transportation networks become increasingly complex, accurate large-scale traffic forecasting is essential for Intelligent Transportation Systems. Graph Neural Networks-based traffic prediction models, such as the Diffusion Convolutional Recurrent Neural Networks (DCRNN) model, treat the traffic flow as a diffusion process on the graph, effectively capturing the propagation of the traffic conditions through the network. Unlike linear statistical models, GNNs inherently capture non-Euclidean spatial dependencies via graph structures. However, training GNNs on large-scale graphs is resource-intensive and time-consuming. This paper aims to study the impact of graph partitioning tools on accuracy and scalability in training GNN-based traffic prediction models. This paper integrates the Adaptive Graph Convolutional Recurrent Network (AGCRN) with a domain-specific graph partitioning tool for transportation networks—the Buffoon-optimized Karlsruhe High-Quality Partitioning (KaHIP). The partitions are trained on an NVIDIA A100 Tensor Core GPU. Tests on the California highway network dataset show that the Buffoon-optimized KaHIP framework produces higher-quality partitions, resulting in higher forecasting accuracy. We also show that the AGCRN-KaHIP integration outperforms DCRNN-METIS and baseline statistical methods. The integration achieves lower prediction errors and more stable forecasts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».