Estás leyendo la publicación: El poder de las redes convolucionales gráficas en… – Hacia la IA
Publicado originalmente en Hacia la IA.
Graph Convolutional Network (GCN) ha revolucionado el campo del aprendizaje profundo al mostrar su versatilidad para resolver problemas del mundo real, incluida la predicción del tráfico, que es un tema crítico en el transporte.
Introducción
Graph Convolutional Network (GCN) es un desarrollo revolucionario en el campo del aprendizaje profundo, que demuestra su versatilidad y potencial de aplicación para abordar problemas del mundo real. Uno de esos desafíos es la predicción del tráfico, que es un tema crítico en el transporte. La capacidad de adaptar los algoritmos de GCN para fines de predicción de tráfico es muy prometedora y tiene el potencial de impactar significativamente en la industria del transporte.
Es importante tener en cuenta que esta publicación asume una comprensión previa de GCN. Para aquellos que requieren una introducción a GCN, les recomiendo explorar miguel bronsteinpublicación de “Do necesitamos GNN profundo,” así como Tobias Skovgaard Jepsen publicación introductoria práctica.
El poder de Graph Neural Networks (GNN) [1], particularmente GCN, radica en su capacidad para modelar relaciones complejas entre entidades, como se demuestra a través de ejemplos como enlaces químicos entre átomos o velocidades de tráfico entre segmentos de carretera. Con su capacidad para el aprendizaje de características a través de operaciones convolucionales de gráficos, GCN ha visto una amplia investigación en datos de texto y visión, pero todavía hay mucho potencial para explorar su aplicación en el dominio de series temporales, desbloqueando nuevas fronteras para la innovación.
Imagen por autor
Exploración de tareas de series temporales con GCN temporal
La llegada de GCN ha abierto nuevas posibilidades para analizar y comprender datos estructurados en gráficos, incluidos datos de series temporales. Los datos de series temporales presentan desafíos únicos en comparación con otras formas de datos, como las imágenes. A menudo es menos intuitivo, carece de representaciones visuales claras y requiere una comprensión profunda de la causalidad para ser analizado de manera efectiva.
Para hacer frente a estos desafíos, ha surgido un nuevo campo de investigación conocido como GCN temporal (TGCN), que combina las fortalezas de GCN con las de las redes neuronales recurrentes (RNN), la memoria a largo y corto plazo (LSTM) o las unidades recurrentes cerradas ( GRU). Esto permite a TGCN capturar tanto los aspectos espaciales como temporales de los datos de series de tiempopor lo que es una poderosa herramienta para analizar sistemas complejos y dinámicos.
A continuación, exploraremos el potencial de TGCN para la predicción de tráfico [2], que es un tema crítico en el transporte. Mediante el análisis de los patrones de tráfico y las dependencias entre los diferentes segmentos de carreteras a lo largo del tiempo, TGCN puede proporcionar información y hacer predicciones precisas sobre las condiciones futuras del tráfico. A través de este ejemplo, nuestro objetivo es demostrar la versatilidad y el potencial de TGCN para resolver problemas del mundo real y mejorar nuestra comprensión de los datos de series temporales.
GCN temporal para predicción de tráfico
La predicción del tráfico es un tema crítico en el transporte, y encontrar una solución precisa es crucial para optimizar el flujo de tráfico y reducir la congestión. Los métodos tradicionales de predicción de la velocidad del tráfico solo consideran los valores pasados de la misma serie temporal, pero con la llegada de GCN y GRU, es posible un enfoque más completo.
En un estudio reciente [2], se propuso un nuevo enfoque para la predicción del tráfico que aprovecha las fortalezas de GCN y GRU. Los investigadores modelaron la red de tráfico como un gráfico, en el que cada segmento de la carretera es un nodo y las conexiones entre los segmentos son los bordes. Luego, la velocidad del tráfico se representó como una señal en este gráfico, lo que permitió que el modelo capturara las características espaciales y temporales de los datos.
La arquitectura incluía una capa de convolución de gráficos y una capa GRU, lo que permitió que el modelo capturara de manera efectiva las relaciones entre los diferentes segmentos de la carretera y predijera la velocidad del tráfico en el futuro. Al tener en cuenta las dependencias entre los segmentos de carretera, esta solución proporciona una predicción de tráfico más precisa y completa que los métodos tradicionales.
Imagen por autor
Exploración del conjunto de datos de segmentos de carretera
Para entender si existe alguna dependencia entre los diferentes tramos de carretera, necesitamos analizar las correlaciones entre ellos. Para hacer esto, seleccionamos 26 caminos de los 228 disponibles en el conjunto de datos y creamos un mapa de correlación.
Al visualizar las correlaciones, podemos ver si existe alguna relación entre la velocidad del tráfico de los diferentes segmentos de la carretera. Si existe una relación fuerte, esto proporciona una justificación clara para el uso de un GCN para modelar las dependencias.
Es importante tener en cuenta que capturar estas relaciones es crucial para predecir con precisión la velocidad del tráfico. Al usar un GCN, podemos considerar no solo la velocidad del tráfico individual de cada segmento de la carretera, sino también las interdependencias entre los segmentos. Este enfoque holístico permite una predicción más precisa y sólida de la velocidad del tráfico.
Imagen por autor
Para comprender si hay alguna dependencia entre los diferentes segmentos de carretera en el conjunto de datos, calculamos las correlaciones. Los resultados mostraron que los segmentos 4–5–6–7 y 19–20–21 tienen una alta correlación, destacando la importancia de incorporar características espaciales. En su investigación, Ling Zhao y su equipo propusieron una arquitectura TGCN que utiliza características espaciales y temporales, con una capa de convolución de gráficos para la primera y una capa GRU para la segunda. Jugamos con su código [3] y lo hizo accesible a través de un cuaderno de Google Colab, brindándole la oportunidad de experimentar fácilmente con él [4]. Los resultados fueron prometedores y lo animamos a seguir probando y mejorando el modelo ajustando los parámetros y aumentando el número de épocas.
Keras.io Pronóstico de tráfico de series temporales Tutorial
Resumen
La red convolucional de gráficos (GCN) es un desarrollo altamente innovador e impactante en el aprendizaje profundo. Tiene numerosas aplicaciones en el dominio de series temporales, donde se adapta para incluir características temporales. Para mostrar las capacidades de TGCN, se utilizó el ejemplo de la predicción de la velocidad del tráfico y se mostró el mapa de correlación para resaltar la necesidad de incluir características espaciales.
sígueme en Medium para más publicaciones
Sobre el Autor
Barak Or es un emprendedor y experto en inteligencia artificial y navegación; Ex-Qualcomm. Barak tiene M.Sc. y B.Sc. en Ingeniería y BA en Economía del Technion. Ganador del premio Gemunder. Barak terminó su Ph.D. en los campos de IA y Sensor Fusion. Autor de varios artículos y patentes. Es el fundador y CEO de ALMA Tech. LTD, una empresa de inteligencia artificial y navegación avanzada.
Más lecturas y comentarios
[1] Los GCN se introdujeron por primera vez en “Redes espectrales y redes profundas conectadas localmente en gráficos” (Bruna et al, 2014).
[2] Un documento llamado “T-GCN: una red convolucional de gráficos temporales para la predicción del tráfico” por Ling Zhao et al fue publicado en IEEE, 2020.
[3] El código adjunto se puede encontrar en la página de tutoriales de Keras. en el sitio web. Arash Khodadadi es el autor del tutorial de Keras para este documento. Datos en [6].
[4] Implementación de colaboración: Timeseries_Traffic_Forecasting. El conjunto de datos es de [3].
[5] ¿Necesitamos redes neuronales de gráficos profundos?— por Michael Bronstein
[6] Los datos se pueden encontrar en la web de Keras en el siguiente enlace: https://keras.io/examples/timeseries/timeseries_traffic_forecasting/
Pronóstico de tráfico: el poder de las redes convolucionales gráficas en series temporales se publicó originalmente en Hacia la IA en Medium, donde las personas continúan la conversación resaltando y respondiendo a esta historia.
Publicado a través de Hacia la IA
