論文の概要: STDI-Net: Spatial-Temporal Network with Dynamic Interval Mapping for
Bike Sharing Demand Prediction
- arxiv url: http://arxiv.org/abs/2006.04089v3
- Date: Mon, 28 Dec 2020 23:17:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 07:19:04.585055
- Title: STDI-Net: Spatial-Temporal Network with Dynamic Interval Mapping for
Bike Sharing Demand Prediction
- Title（参考訳）: STDI-Net:自転車共有需要予測のための動的インターバルマッピングを用いた時空間ネットワーク
- Authors: Weiguo Pian, Yingbo Wu, Ziyi Kou
- Abstract要約: 本稿では,空間時間動的インターバルネットワーク(STDI-Net)と呼ばれる新しい深層学習手法を提案する。
共同時空間情報をモデル化することにより、近い将来に複数の接続ステーションの貸出・返却注文数を予測する。
その結果, 提案手法が既存手法よりも優れていることを示した。
- 参考スコア（独自算出の注目度）: 3.7875603451557076
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As an economical and healthy mode of shared transportation, Bike Sharing
System (BSS) develops quickly in many big cities. An accurate prediction method
can help BSS schedule resources in advance to meet the demands of users, and
definitely improve operating efficiencies of it. However, most of the existing
methods for similar tasks just utilize spatial or temporal information
independently. Though there are some methods consider both, they only focus on
demand prediction in a single location or between location pairs. In this
paper, we propose a novel deep learning method called Spatial-Temporal Dynamic
Interval Network (STDI-Net). The method predicts the number of renting and
returning orders of multiple connected stations in the near future by modeling
joint spatial-temporal information. Furthermore, we embed an additional module
that generates dynamical learnable mappings for different time intervals, to
include the factor that different time intervals have a strong influence on
demand prediction in BSS. Extensive experiments are conducted on the NYC Bike
dataset, the results demonstrate the superiority of our method over existing
methods.
- Abstract（参考訳）: 共有交通の経済的かつ健全な形態として、自転車シェアリングシステム(BSS)は多くの大都市で急速に発展している。
正確な予測手法は,ユーザの要求に応えるため,BSSが事前にリソースをスケジュールし,その運用効率を確実に向上させる。
しかし,既存の手法の多くは,空間的・時間的情報を独立に利用しているだけである。
どちらも考慮すべき方法がいくつかあるが、単一の場所や位置ペア間の需要予測のみに焦点を当てている。
本稿では,Spatial-Temporal Dynamic Interval Network (STDI-Net)と呼ばれる新しい深層学習手法を提案する。
共同空間-時空間情報のモデル化により、近い将来に複数の接続局の貸し出しと返却の回数を予測する。
さらに,異なる時間間隔に対して動的に学習可能なマッピングを生成するモジュールを組み込んで,異なる時間間隔がbssの需要予測に強く影響する要因を含める。
提案手法が既存の手法よりも優れていることを示すため,nyc 自転車データセットを用いた広範囲な実験を行った。
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) - Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。
従来の手法は手作りの機能と機械学習技術に依存している。
HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
論文 参考訳（メタデータ） (2023-08-02T12:04:28Z) - Deep trip generation with graph neural networks for bike sharing system
expansion [7.737133861503814]
マルチソース都市構築環境データに基づく駅レベルの需要予測のためのグラフニューラルネットワーク(GNN)手法を提案する。
提案手法は空間回帰モデルとして,空間回帰とGNNの共通性を示す。
論文 参考訳（メタデータ） (2023-03-20T16:43:41Z) - Cross-Mode Knowledge Adaptation for Bike Sharing Demand Prediction using
Domain-Adversarial Graph Neural Networks [8.695763084463055]
本研究では,自転車シェアリング需要予測のためのドメイン逆多重関係グラフニューラルネットワーク(DA-MRGNN)を提案する。
異なるモードのパターン要求から共有可能な特徴を抽出するために、時間的対角適応ネットワークを導入する。
実験はニューヨーク市の実際の自転車シェアリング、地下鉄、ライドシェアリングのデータを用いて行われた。
論文 参考訳（メタデータ） (2022-11-16T13:35:32Z) - Bike Sharing Demand Prediction based on Knowledge Sharing across Modes:
A Graph-based Deep Learning Approach [8.695763084463055]
本研究では,自転車共有需要予測(B-MRGNN)のためのグラフに基づくディープラーニング手法を提案する。
マルチリレーショナルグラフニューラルネットワーク(MRGNN)を導入し、モード間の空間単位間の相関を捉える。
実験はニューヨーク市の実際の自転車シェアリング、地下鉄、ライドシェアリングのデータを用いて行われた。
論文 参考訳（メタデータ） (2022-03-18T06:10:17Z) - Finding Action Tubes with a Sparse-to-Dense Framework [62.60742627484788]
本稿では,ビデオストリームからのアクションチューブ提案を1つのフォワードパスでスパース・トゥ・デンス方式で生成するフレームワークを提案する。
UCF101-24, JHMDB-21, UCFSportsベンチマークデータセット上で, 本モデルの有効性を評価する。
論文 参考訳（メタデータ） (2020-08-30T15:38:44Z) - DeepSTCL: A Deep Spatio-temporal ConvLSTM for Travel Demand Prediction [4.0711669706762805]
本稿では,Deep Spatio-Temporal ConvLSTMに基づく新しいディープラーニングトラフィック需要予測フレームワークを提案する。
提案手法は時間的依存と空間的依存を同時に捉えることができる。
ChengduのDIDIオーダーデータセットの実験結果から,本手法が従来のモデルよりも精度と速度で優れていることが示された。
論文 参考訳（メタデータ） (2020-08-22T13:33:31Z) - 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) - FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。
異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。
実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
論文 参考訳（メタデータ） (2020-06-07T08:10:47Z) - An Effective Dynamic Spatio-temporal Framework with Multi-Source
Information for Traffic Prediction [0.22940141855172028]
提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度を約3～7%向上する。
実験の結果,提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度が約3～7%向上した。
論文 参考訳（メタデータ） (2020-05-08T14:23:52Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z)
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。