Fugu-MT 論文翻訳(概要): Recurrent Flow Networks: A Recurrent Latent Variable Model for Density Modelling of Urban Mobility

論文の概要: Recurrent Flow Networks: A Recurrent Latent Variable Model for Density Modelling of Urban Mobility

arxiv url: http://arxiv.org/abs/2006.05256v2
Date: Wed, 4 May 2022 16:02:28 GMT
ステータス: 処理完了
システム内更新日: 2022-11-23 13:50:45.520321
Title: Recurrent Flow Networks: A Recurrent Latent Variable Model for Density Modelling of Urban Mobility
Title（参考訳）: リカレントフローネットワーク:都市移動度の密度モデリングのためのリカレント潜時変動モデル
Authors: Daniele Gammelli and Filipe Rodrigues
Abstract要約: モビリティ・オン・デマンド(MoD)システムは、移動要求が協調した車両群によって動的に処理される、急速に発展する交通手段である。我々は,都市移動需要の進展において,時間的変動と空間的変動を明示的に区別することを目的とした予測モデルを提案する。
参考スコア（独自算出の注目度）: 9.442139459221785
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Mobility-on-demand (MoD) systems represent a rapidly developing mode of transportation wherein travel requests are dynamically handled by a coordinated fleet of vehicles. Crucially, the efficiency of an MoD system highly depends on how well supply and demand distributions are aligned in spatio-temporal space (i.e., to satisfy user demand, cars have to be available in the correct place and at the desired time). To do so, we argue that predictive models should aim to explicitly disentangle between temporal} and spatial variability in the evolution of urban mobility demand. However, current approaches typically ignore this distinction by either treating both sources of variability jointly, or completely ignoring their presence in the first place. In this paper, we propose recurrent flow networks (RFN), where we explore the inclusion of (i) latent random variables in the hidden state of recurrent neural networks to model temporal variability, and (ii) normalizing flows to model the spatial distribution of mobility demand. We demonstrate how predictive models explicitly disentangling between spatial and temporal variability exhibit several desirable properties, and empirically show how this enables the generation of distributions matching potentially complex urban topologies.
Abstract（参考訳）: モビリティ・オン・デマンド(MoD)システムは、移動要求が協調した車両群によって動的に処理される、急速に発展する交通手段である。重要な点として、MoDシステムの効率は、時空間における供給と需要の分配の整合性に大きく依存する(すなわち、需要を満たすためには、車は正しい場所と所望の時間で利用できる必要がある)。そこで我々は,都市移動需要の進展において,時間的変化と空間的変動とを明確に区別することを目的とした予測モデルを提案する。しかし、現在のアプローチでは、一般的にこの区別を無視し、両方の変動源を共同で扱うか、そもそもそれらの存在を完全に無視するかのどちらかである。本稿では,リカレントフローネットワーク(RFN)を提案する。 (i)時間変動をモデル化するリカレントニューラルネットワークの隠れ状態における潜在確率変数 (ii)移動需要の空間分布をモデル化するための流れの正規化本研究では,空間的変動と時間的変動を明示的に区別する予測モデルが,いくつかの望ましい特性を示すことを示す。

関連論文リスト

Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework [2.9490249935740573]
FMPESTF(Fusion Matrix Prompt-Enhanced Self-Attention Space-Temporal Interactive Traffic Forecasting Framework)を提案する。 FMPESTFは、ダウンサンプリングトラフィックデータのための空間的および時間的モジュールで構成されている。時間モデリングにおける注意機構を導入し,様々な交通シナリオに適応するための階層型時空間対話型学習を設計する。
論文参考訳（メタデータ） (2024-10-12T03:47:27Z)
Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文参考訳（メタデータ） (2024-02-19T15:57:39Z)
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)
Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2023-06-15T14:50:27Z)
A Dynamic Temporal Self-attention Graph Convolutional Network for Traffic Prediction [7.23135508361981]
本稿では,隣接する行列をトレーニング可能なアテンションスコア行列とする時間自己アテンショングラフ畳み込みネットワーク(DT-SGN)モデルを提案する。実世界の交通データセット上での最先端モデル駆動モデルとデータ駆動モデルよりも,本手法の方が優れていることを示す実験を行った。
論文参考訳（メタデータ） (2023-02-21T03:51:52Z)
PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文参考訳（メタデータ） (2023-01-19T08:42:40Z)
Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
論文参考訳（メタデータ） (2022-08-05T09:36:55Z)
TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network for Traffic Flow Forecasting [41.87633457352356]
本稿では,ネットワークのグローバル性と局所性に着目したニューラルネットワークモデルを提案する。 2つの実世界のデータセットの実験により、このモデルが交通データの空間的時間的相関を精査できることが示されている。
論文参考訳（メタデータ） (2020-11-30T09:21:43Z)
TrajectoryNet: A Dynamic Optimal Transport Network for Modeling Cellular Dynamics [74.43710101147849]
本稿では,動的最適輸送を実現するために,分布間の連続経路を制御するTrjectoryNetを提案する。単細胞RNAシークエンシング(scRNA-seq)技術から得られたデータにおける細胞動態の研究において、これが特に当てはまるかを示す。
論文参考訳（メタデータ） (2020-02-09T21:00:38Z)
Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。