Fugu-MT 論文翻訳(概要): NLPMM: a Next Location Predictor with Markov Modeling

論文の概要: NLPMM: a Next Location Predictor with Markov Modeling

arxiv url: http://arxiv.org/abs/2003.07037v1
Date: Mon, 16 Mar 2020 05:48:41 GMT
ステータス: 処理完了
システム内更新日: 2022-12-23 03:40:51.272407
Title: NLPMM: a Next Location Predictor with Markov Modeling
Title（参考訳）: NLPMM:マルコフモデリングによる次の位置予測器
Authors: Meng Chen, Yang Liu, Xiaohui Yu
Abstract要約: マルコフモデリング(NLPMM)を用いた次の位置予測器を提案する。実データを用いて実験を行い,既存の手法よりもNLPMMの方が優れていることを示す。
参考スコア（独自算出の注目度）: 16.010576606023413
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we solve the problem of predicting the next locations of the moving objects with a historical dataset of trajectories. We present a Next Location Predictor with Markov Modeling (NLPMM) which has the following advantages: (1) it considers both individual and collective movement patterns in making prediction, (2) it is effective even when the trajectory data is sparse, (3) it considers the time factor and builds models that are suited to different time periods. We have conducted extensive experiments in a real dataset, and the results demonstrate the superiority of NLPMM over existing methods.
Abstract（参考訳）: 本稿では,移動物体の次の位置を過去の軌跡データを用いて予測する問題を解く。マルコフモデリング(NLPMM)を用いた次の位置予測器について述べる。(1)予測において個人と集団の両方の動きパターンを考慮し、(2)軌道データがスパースである場合でも有効であり、(3)時間係数を考慮し、異なる期間に適合するモデルを構築する。実データを用いて実験を行い,既存の手法よりもNLPMMの方が優れていることを示す。

関連論文リスト

Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
Posterior Uncertainty Quantification in Neural Networks using Data Augmentation [3.9860047080844807]
深層アンサンブルは,既存の観測結果にのみ,将来のデータがサポートされることを前提として,基本的に不特定モデルクラスであることを示す。一般的なデータ拡張手法を用いて,より現実的な予測分布を構築する手法であるMixupMPを提案する。実験により,MixupMPは様々な画像分類データセットにおいて,優れた予測性能と不確かさの定量化を実現することが示された。
論文参考訳（メタデータ） (2024-03-18T17:46:07Z)
Context-aware multi-head self-attentional neural network model for next location prediction [19.640761373993417]
我々は、歴史的位置情報から位置パターンを学習するマルチヘッド自己注意ニューラルネットワーク(A)を利用する。提案モデルが他の最先端予測モデルより優れていることを示す。我々は,提案モデルが文脈を考慮した移動予測に不可欠であると信じている。
論文参考訳（メタデータ） (2022-12-04T23:40:14Z)
CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
論文参考訳（メタデータ） (2022-05-21T15:30:25Z)
Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文参考訳（メタデータ） (2021-12-29T23:37:06Z)
Comparing Test Sets with Item Response Theory [53.755064720563]
我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。 Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
論文参考訳（メタデータ） (2021-06-01T22:33:53Z)
SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文参考訳（メタデータ） (2021-02-19T11:56:44Z)
Learning Accurate Long-term Dynamics for Model-based Reinforcement Learning [7.194382512848327]
より長い地平線で安定的に予測するために, 状態作用データに対する教師付き学習のための新しいパラメータ化を提案する。シミュレーションおよび実験によるロボット作業の結果,軌道に基づくモデルにより,より正確な長期予測が得られた。
論文参考訳（メタデータ） (2020-12-16T18:47:37Z)
GraphTCN: Spatio-Temporal Interaction Modeling for Human Trajectory Prediction [5.346782918364054]
我々は,より効率的かつ正確な軌道予測を支援するために,新しいCNNベースの時空間グラフフレームワークGraphCNTを提案する。従来のモデルとは対照的に,我々のモデルにおける空間的・時間的モデリングは各局所時間ウィンドウ内で計算される。本モデルは,様々な軌道予測ベンチマークデータセットの最先端モデルと比較して,効率と精度の両面で優れた性能を実現する。
論文参考訳（メタデータ） (2020-03-16T12:56:12Z)
TTDM: A Travel Time Difference Model for Next Location Prediction [14.93730951083916]
次の位置予測は、多くの位置情報ベースのアプリケーションにとって非常に重要であり、ビジネスや政府に不可欠なインテリジェンスを提供する。既存の研究では、次の位置予測に対する一般的なアプローチは、条件付き確率に基づいて、巨大な歴史的軌跡を持つ連続的な遷移を学習することである。本稿では,最短走行時間と実走行時間との差を利用して次の位置を推定する旅行時間差モデル(TTDM)を提案する。
論文参考訳（メタデータ） (2020-03-16T05:16:43Z)
Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。