論文の概要: TTDM: A Travel Time Difference Model for Next Location Prediction
- arxiv url: http://arxiv.org/abs/2003.07781v1
- Date: Mon, 16 Mar 2020 05:16:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 03:50:36.904227
- Title: TTDM: A Travel Time Difference Model for Next Location Prediction
- Title（参考訳）: TTDM:次の位置予測のための旅行時間差モデル
- Authors: Qingjie Liu, Yixuan Zuo, Xiaohui Yu, Meng Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 14.93730951083916
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Next location prediction is of great importance for many location-based
applications and provides essential intelligence to business and governments.
In existing studies, a common approach to next location prediction is to learn
the sequential transitions with massive historical trajectories based on
conditional probability. Unfortunately, due to the time and space complexity,
these methods (e.g., Markov models) only use the just passed locations to
predict next locations, without considering all the passed locations in the
trajectory. In this paper, we seek to enhance the prediction performance by
considering the travel time from all the passed locations in the query
trajectory to a candidate next location. In particular, we propose a novel
method, called Travel Time Difference Model (TTDM), which exploits the
difference between the shortest travel time and the actual travel time to
predict next locations. Further, we integrate the TTDM with a Markov model via
a linear interpolation to yield a joint model, which computes the probability
of reaching each possible next location and returns the top-rankings as
results. We have conducted extensive experiments on two real datasets: the
vehicle passage record (VPR) data and the taxi trajectory data. The
experimental results demonstrate significant improvements in prediction
accuracy over existing solutions. For example, compared with the Markov model,
the top-1 accuracy improves by 40% on the VPR data and by 15.6% on the Taxi
data.
- Abstract（参考訳）: 次の位置予測は、多くのロケーション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情報を提供する。
既存の研究において、次の位置予測への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逐次遷移を学ぶことである。
残念ながら、時間と空間の複雑さのため、これらの方法(例えばマルコフモデル)は、軌道のすべての通過位置を考慮せずに、次の位置を予測するために通過した場所のみを使用する。
本稿では,探索路内のすべての通過地点から次の候補地点への移動時間を考慮し,予測性能の向上を図る。
特に,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。
さらに,TTDMを線形補間によりマルコフモデルに統合し,各次の位置に到達する確率を計算し,その結果として上位値を返すジョイントモデルを生成する。
車両通過記録(VPR)データとタクシー軌道データという,2つの実際のデータセットに関する広範な実験を行った。
実験の結果,既存の解に対する予測精度が大幅に向上した。
例えば、マルコフモデルと比較して、トップ1の精度はVPRデータでは40%、タクシーデータでは15.6%向上している。
関連論文リスト
- AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。
同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。
そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文 参考訳（メタデータ） (2024-03-20T06:22:37Z) - Arrival Time Prediction for Autonomous Shuttle Services in the Real
World: Evidence from Five Cities [3.6294895527930504]
本研究では,自律型シャトルのAT予測システムを提案する。
停留所をバイパスするシャトルのケースを正確に処理するために,ランダムな森林分類器とGNNを組み合わせた階層モデルを提案する。
最終的なAT予測の結果は有望であり、いくつかの停止を予測してもエラーは少ない。
論文 参考訳（メタデータ） (2024-01-10T18:41:39Z) - 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) - How do you go where? Improving next location prediction by learning
travel mode information using transformers [6.003006906852134]
本稿では, トランスフォーマーデコーダに基づくニューラルネットワークを提案し, 過去の位置, 時間, 移動モードに基づいて, 個人が訪問する次の場所を予測する。
特に、次の旅行モードの予測は、ネットワークの学習をガイドする補助的なタスクとして設計されている。
実験の結果,提案手法は,他の最先端の次の位置予測手法よりも大幅に優れていることがわかった。
論文 参考訳（メタデータ） (2022-10-08T19:36:58Z) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳（メタデータ） (2022-04-21T23:01:21Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳（メタデータ） (2021-10-11T14:24:15Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z) - STINet: Spatio-Temporal-Interactive Network for Pedestrian Detection and
Trajectory Prediction [24.855059537779294]
本稿では、新しいエンドツーエンド2段階ネットワーク:spatio--Interactive Network(STINet)を提案する。
歩行者の3次元形状に加えて,歩行者ごとの時間情報をモデル化する。
提案手法は,1段目における現在位置と過去の位置の両方を予測し,各歩行者をフレーム間でリンクできるようにする。
論文 参考訳（メタデータ） (2020-05-08T18:43:01Z) - BusTime: Which is the Right Prediction Model for My Bus Arrival Time? [3.1761486589684975]
本稿では, このギャップを補うために, 広く用いられている予測モデルを解析するための汎用的, 実用的な評価枠組みを提案する。
特に、このフレームワークには、入力データポイントをはるかに少なくする生のバスGPSデータ前処理方法が含まれている。
また,都市マネジャーに対して,一般的な予測モデルのトレーニングおよび予測段階における実践的強みと弱みを分析し,予備的な結果を提示する。
論文 参考訳（メタデータ） (2020-03-20T17:03:36Z) - 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) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。