論文の概要: Spatiotemporal data analysis with chronological networks

• arxiv url: http://arxiv.org/abs/2004.11483v2
• Date: Wed, 12 Aug 2020 12:20:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 09:29:32.453377
• Title: Spatiotemporal data analysis with chronological networks
• Title（参考訳）: 時系列ネットワークを用いた時空間データ解析
• Authors: Leonardo N. Ferreira, Didier A. Vega-Oliveros, Moshe Cotacallapa, Manoel F. Cardoso, Marcos G. Quiles, Liang Zhao, Elbert E. N. Macau
• Abstract要約: 時間的データ分析のためのネットワークベースモデルである It chronnet を提案する。 このモデルの主な目的は、ネットワークに強いリンクを持つセル間で連続的なリカレントイベントを表現することである。 本稿では,人工的および実データ集合を考慮したモデルの利用方法について述べる。
• 参考スコア（独自算出の注目度）: 4.7842701621852655
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The amount and size of spatiotemporal data sets from different domains have been rapidly increasing in the last years, which demands the development of robust and fast methods to analyze and extract information from them. In this paper, we propose a network-based model for spatiotemporal data analysis called chronnet. It consists of dividing a geometrical space into grid cells represented by nodes connected chronologically. The main goal of this model is to represent consecutive recurrent events between cells with strong links in the network. This representation permits the use of network science and graphing mining tools to extract information from spatiotemporal data. The chronnet construction process is fast, which makes it suitable for large data sets. In this paper, we describe how to use our model considering artificial and real data. For this purpose, we propose an artificial spatiotemporal data set generator to show how chronnets capture not just simple statistics, but also frequent patterns, spatial changes, outliers, and spatiotemporal clusters. Additionally, we analyze a real-world data set composed of global fire detections, in which we describe the frequency of fire events, outlier fire detections, and the seasonal activity, using a single chronnet.
• Abstract（参考訳）: 異なるドメインからの時空間データセットの量とサイズは近年急速に増加しており、それらから情報を分析し抽出するための堅牢で高速な手法の開発が求められている。 本稿では,chronnetと呼ばれる時空間データ解析のためのネットワークモデルを提案する。 幾何学的空間を時間的に連結されたノードで表される格子セルに分割する。 このモデルの主な目標は、ネットワーク内の強いリンクを持つ細胞間の連続的なリカレントイベントを表現することである。 この表現は、時空間データから情報を抽出するためにネットワーク科学とグラフマイニングツールの使用を可能にする。 chronnet構築プロセスは高速であり、大規模なデータセットに適している。 本稿では,人工的および実データを考慮したモデルの利用方法について述べる。 本研究では,単純な統計だけでなく,頻繁なパターン,空間変化,外れ値,時空間クラスタをクロネットが捉える方法を示すために,人工時空間データセット生成器を提案する。 さらに,1つのchronnetを用いて,火災発生頻度,異常火災検出頻度,季節的活動等を記述した,グローバルな火災検出からなる実世界データセットの解析を行った。

関連論文リスト

• TempoKGAT: A Novel Graph Attention Network Approach for Temporal Graph Analysis [3.5707423185282656]
  本稿では,時間遅延重みと空間領域上の選択的な隣接集約機構を組み合わせた新しいタイプのグラフアテンションネットワークであるTempoKGATを提案する。 我々は、時間的データを含む交通、エネルギー、健康セクターから複数のデータセットに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2024-08-29T09:54:46Z)
• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook [95.32949323258251]
  時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
  論文  参考訳（メタデータ） (2023-10-16T09:06:00Z)
• It is all Connected: A New Graph Formulation for Spatio-Temporal Forecasting [1.278093617645299]
  グラフニューラルネットワーク(GNN)ネットワークを用いて時間的および空間的依存関係を学習するためのフレームワークを提案する。 GNNは、すべてのサンプルをグラフ内の独自のノードとして表現する。 このフレームワークは時間次元に沿った測定を必要としないため、データサンプリングの計算を必要とせずに、不規則な時系列、異なる周波数、または欠落データを容易にする。
  論文  参考訳（メタデータ） (2023-03-23T11:16:33Z)
• Multivariate Time Series Regression with Graph Neural Networks [0.6124773188525718]
  近年のディープラーニングのグラフへの適用は,様々なグラフ関連タスクにおいて有望な可能性を示している。 しかし,これらの手法は時系列関連タスクにはあまり適用されていない。 本研究では,これらの長いシーケンスを多変量時系列回帰タスクで処理できるアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:11:46Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• Spatial Aggregation and Temporal Convolution Networks for Real-time Kriging [3.4386226615580107]
  SATCNは、モデル仕様を必要とせずに、様々なデータセットに対してテンポラリグを実行する、普遍的で柔軟なフレームワークである。 我々は時間的畳み込みネットワークによってノードをキャプチャし、モデルがさまざまなサイズのデータに対処できるようにする。 我々は、交通や気候記録を含む3つの実世界のデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2021-09-24T18:43:07Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Deep learning for time series classification [2.0305676256390934]
  時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。 時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。 ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
  論文  参考訳（メタデータ） (2020-10-01T17:38:40Z)

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。