論文の概要: Fine-Grained Urban Flow Inference

• arxiv url: http://arxiv.org/abs/2002.02318v1
• Date: Wed, 5 Feb 2020 01:11:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 20:54:38.414107
• Title: Fine-Grained Urban Flow Inference
• Title（参考訳）: 細粒度都市流動推定
• Authors: Kun Ouyang, Yuxuan Liang, Ye Liu, Zekun Tong, Sijie Ruan, Yu Zheng, and David S. Rosenblum
• Abstract要約: 本稿では,大まかな粒度観測に基づいて,都市内におけるリアルタイム・微粒な群集の流れを推定する手法を提案する。 本研究では,1) 特徴抽出モジュールと新しい分布アップサンプリングモジュールを用いた粗粒度入力から細粒度フロー分布を生成する推論ネットワークであるUrbanFMというモデルを開発した。 さらに,従来のタスクを複数のサブタスクに分解することで,細粒度の都市流れを段階的に推定するカスケードモデルであるUrbanPyについて述べる。
• 参考スコア（独自算出の注目度）: 24.109585318874608
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The ubiquitous deployment of monitoring devices in urban flow monitoring systems induces a significant cost for maintenance and operation. A technique is required to reduce the number of deployed devices, while preventing the degeneration of data accuracy and granularity. In this paper, we present an approach for inferring the real-time and fine-grained crowd flows throughout a city based on coarse-grained observations. This task exhibits two challenges: the spatial correlations between coarse- and fine-grained urban flows, and the complexities of external impacts. To tackle these issues, we develop a model entitled UrbanFM which consists of two major parts: 1) an inference network to generate fine-grained flow distributions from coarse-grained inputs that uses a feature extraction module and a novel distributional upsampling module; 2) a general fusion subnet to further boost the performance by considering the influence of different external factors. This structure provides outstanding effectiveness and efficiency for small scale upsampling. However, the single-pass upsampling used by UrbanFM is insufficient at higher upscaling rates. Therefore, we further present UrbanPy, a cascading model for progressive inference of fine-grained urban flows by decomposing the original tasks into multiple subtasks. Compared to UrbanFM, such an enhanced structure demonstrates favorable performance for larger-scale inference tasks.
• Abstract（参考訳）: 都市流モニタリングシステムにおけるモニタリング装置のユビキタス展開は、メンテナンスと運用に大きなコストを発生させる。 データの正確性と粒度の低下を防止しつつ、デプロイされたデバイス数を減らす技術が必要となる。 本稿では,粒度の粗い観測に基づいて,都市全体の実時間および細粒の群集流を推定する手法を提案する。 この課題は、粗大な都市流と細粒度の都市流の空間的相関と、外部影響の複雑さである。 これらの課題に対処するため,2つの主要部分からなるUrbanFMというモデルを開発した。 1) 特徴抽出モジュールと新しい分布アップサンプリングモジュールを用いた粗粒度入力から細粒度フロー分布を生成する推論ネットワーク。 2)外部要因の影響を考慮した一般核融合サブネットにより、さらなる性能向上を図る。 この構造は小規模なアップサンプリングに優れた効果と効率をもたらす。 しかし,UrbanFMのシングルパスアップサンプリングは高いアップスケーリング速度では不十分である。 そこで本研究では,従来のタスクを複数のサブタスクに分解することで,細粒度の都市流れを段階的に推定するカスケードモデルであるUrbanPyについて述べる。 UrbanFMと比較して、このような拡張された構造は大規模推論タスクに好適な性能を示す。

関連論文リスト

• Fine-Grained Urban Flow Inference with Multi-scale Representation Learning [14.673004628911443]
  そこで本稿では,UrbanMSRと呼ばれる都市流モデルを提案する。 自己教師付きコントラスト学習を用いて、近隣レベルと都市レベルの地理的情報の動的マルチスケール表現を得る。 実世界の3つのデータセットに対する広範な実験により,その性能を検証した。
  論文  参考訳（メタデータ） (2024-06-14T04:42:29Z)
• TransFlower: An Explainable Transformer-Based Model with Flow-to-Flow Attention for Commuting Flow Prediction [18.232085070775835]
  通勤パターンの予測にフロー・ツー・フロー・アテンションを用いた,説明可能なトランスフォーマーベースのモデルであるTransFlowerを紹介した。 我々のモデルは、既存の手法を最大30.8%のCommon Part of Commutersで上回ります。
  論文  参考訳（メタデータ） (2024-02-23T16:00:04Z)
• Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
  拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。 拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。 提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
  論文  参考訳（メタデータ） (2024-01-25T07:28:22Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Diffusion Models Without Attention [110.5623058129782]
  Diffusion State Space Model (DiffuSSM) は、よりスケーラブルな状態空間モデルバックボーンで注目メカニズムを置き換えるアーキテクチャである。 拡散訓練におけるFLOP効率の高いアーキテクチャへの注力は、大きな前進となる。
  論文  参考訳（メタデータ） (2023-11-30T05:15:35Z)
• Mutual Information-driven Triple Interaction Network for Efficient Image Dehazing [54.168567276280505]
  画像デハージングのための相互情報駆動型トリプルインタラクションネットワーク(MITNet)を提案する。 振幅誘導ヘイズ除去と呼ばれる第1段階は、ヘイズ除去のためのヘイズ画像の振幅スペクトルを復元することを目的としている。 第2段階は位相誘導構造が洗練され、位相スペクトルの変換と微細化を学ぶことに尽力した。
  論文  参考訳（メタデータ） (2023-08-14T08:23:58Z)
• Complexity-aware Large Scale Origin-Destination Network Generation via Diffusion Model [24.582615553841396]
  Origin-Destination (OD) ネットワークは、市内の各地域から他の地域への人々の流れを推定する。 本稿では,ノードとエッジの条件付き結合確率分布を学習するために,ODネットワークの生成と拡散法の設計を提案する。
  論文  参考訳（メタデータ） (2023-06-08T02:02:55Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Large-Scale Traffic Congestion Prediction based on Multimodal Fusion and Representation Mapping [5.893431681364435]
  渋滞要因を分析して交通渋滞を判断する上で最も重要な課題の一つである。 交通渋滞を予測するため、従来型および機械学習ベースのモデルが導入されている。 本稿では,畳み込みニューラルネットワークに基づく新しいエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:07:28Z)
• Latent reweighting, an almost free improvement for GANs [12.605607949417033]
  一連の作業は、計算コストの増大を犠牲にして、事前訓練された発電機からのサンプリング品質を改善することを目的としている。 遅延重みを予測するための追加ネットワークと、最も貧しいサンプルを避けるための2つの関連するサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2021-10-19T08:33:57Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。