論文の概要: Computational Model for Urban Growth Using Socioeconomic Latent
Parameters
- arxiv url: http://arxiv.org/abs/2007.00480v1
- Date: Wed, 1 Jul 2020 13:38:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-11 23:12:39.491347
- Title: Computational Model for Urban Growth Using Socioeconomic Latent
Parameters
- Title(参考訳): 社会経済潜在パラメータを用いた都市成長の計算モデル
- Authors: Piyush Yadav, Shamsuddin Ladha, Shailesh Deshpande, Edward Curry
- Abstract要約: HMM(Hidden Markov)に基づくよりリッチなモデルを提案する。
我々は,LULCCクラスが隠蔽状態を表すHMMLCCを提案し,時間的要因が隠蔽状態に条件付けられた放出を表す。
我々は,HMM統合モデルにより,対応するMC統合モデルと比較して予測精度が向上したことを観察した。
- 参考スコア(独自算出の注目度): 3.814858728853162
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Land use land cover changes (LULCC) are generally modeled using multi-scale
spatio-temporal variables. Recently, Markov Chain (MC) has been used to model
LULCC. However, the model is derived from the proportion of LULCC observed over
a given period and it does not account for temporal factors such as
macro-economic, socio-economic, etc. In this paper, we present a richer model
based on Hidden Markov Model (HMM), grounded in the common knowledge that
economic, social and LULCC processes are tightly coupled. We propose a HMM
where LULCC classes represent hidden states and temporal fac-tors represent
emissions that are conditioned on the hidden states. To our knowledge, HMM has
not been used in LULCC models in the past. We further demonstrate its
integration with other spatio-temporal models such as Logistic Regression. The
integrated model is applied on the LULCC data of Pune district in the state of
Maharashtra (India) to predict and visualize urban LULCC over the past 14
years. We observe that the HMM integrated model has improved prediction
accuracy as compared to the corresponding MC integrated model
- Abstract(参考訳): 土地利用土地被覆変化(LULCC)は、一般に多スケール時空間変数を用いてモデル化される。
近年、マルコフ・チェイン (MC) は LULCC のモデル化に用いられている。
しかし、このモデルは、ある期間に観測されたLULCCの割合から派生しており、マクロ経済、社会経済などの時間的要因を考慮に入れていない。
本稿では,経済,社会,lulccのプロセスが密結合しているという共通知識に基づいて,隠れマルコフモデル(hmm)に基づくよりリッチなモデルを提案する。
本稿では,LULCCクラスが隠蔽状態を表すHMMと,隠蔽状態に条件付けられた時間的ファックータが表現されるHMMを提案する。
我々の知る限り、HMMは過去にLULCCモデルでは使われていない。
我々はさらに,ロジスティック回帰などの時空間モデルとの統合を実証する。
この統合モデルは、マハラシュトラ州にあるプネ地区のlulccデータに適用され、過去14年間の都市lulccの予測と可視化を行っている。
HMM統合モデルでは,対応するMC統合モデルと比較して予測精度が向上した。
関連論文リスト
- Continual Learning with Pre-Trained Models: A Survey [66.49084129482239]
継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。
本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
論文 参考訳(メタデータ) (2024-01-29T18:27:52Z) - Joint model for longitudinal and spatio-temporal survival data [3.8448145915428644]
本研究では,空間的および時間的効果と相互作用を捉えるために,時空間結合モデル(STJM, Spatio-Nested Joint Model)を提案する。
我々は、米国住宅ローン借入者57,258人を対象に、250万人以上の観察を行った大規模データセットに対して、STJMを適用して全前払いの時期を予測した。
論文 参考訳(メタデータ) (2023-11-07T14:05:14Z) - Learning Energy-Based Prior Model with Diffusion-Amortized MCMC [89.95629196907082]
非収束短距離MCMCを用いた事前及び後方サンプリングによる潜時空間EMM学習の一般的な実践は、さらなる進歩を妨げている。
本稿では,MCMCサンプリングのための単純だが効果的な拡散型アモータイズ手法を導入し,それに基づく潜時空間EMMのための新しい学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2023-10-05T00:23:34Z) - Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at
Scale [57.38373754100004]
時空間データ(STUD)は複雑な相関パターンを示す。
STUDは大規模であることが多いため、実践者は有効性と効率のバランスをとる必要がある。
Nex-Mixerと呼ばれる別のパラダイムは、単純さと有効性の両方の可能性を秘めている。
論文 参考訳(メタデータ) (2023-07-04T05:19:19Z) - CAMERO: Consistency Regularized Ensemble of Perturbed Language Models
with Weight Sharing [83.63107444454938]
本稿では,CAMEROと呼ばれる摂動モデルに基づく一貫性規則化アンサンブル学習手法を提案する。
具体的には、すべてのモデルで底層重みを共有し、異なるモデルの隠れ表現に異なる摂動を適用し、モデルの多様性を効果的に促進することができる。
大規模言語モデルを用いた実験により,CAMEROはアンサンブルモデルの一般化性能を大幅に向上することが示された。
論文 参考訳(メタデータ) (2022-04-13T19:54:51Z) - Macroeconomic forecasting with LSTM and mixed frequency time series data [0.0]
まず,混合周波数で観測される時系列に従来型LSTMモデルを適用する方法について述べる。
次に、制約のない混合DAtaSamplingスキーム(U-MIDAS)をLSTMアーキテクチャに適用する。
提案手法は,短期予測の大規模景気後退期において非常に有効である可能性が示唆された。
論文 参考訳(メタデータ) (2021-09-28T14:56:37Z) - Learning representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳(メタデータ) (2021-04-11T16:45:18Z) - Scaling Hidden Markov Language Models [118.55908381553056]
この研究は、HMMを言語モデリングデータセットに拡張するという課題を再考する。
本研究では,HMMを大規模状態空間に拡張する手法を提案する。
論文 参考訳(メタデータ) (2020-11-09T18:51:55Z) - Adaptive County Level COVID-19 Forecast Models: Analysis and Improvement [1.8899300124593645]
我々は、国家レベルと郡のレベルモデルであるTDEFSI-LONLYを、国内レベルと郡レベルのCOVID-19データに適用する。
このモデルは現在のパンデミックを予測できない。
低次元の時間パターンを学習するために、全国のケースでLSTMバックボーンをトレーニングする、別の予測モデルである、郡レベルの疫学的推論リカレントネットワーク(alg)を提案する。
論文 参考訳(メタデータ) (2020-06-16T17:20:54Z) - A Hybrid Residual Dilated LSTM end Exponential Smoothing Model for
Mid-Term Electric Load Forecasting [1.1602089225841632]
このモデルは指数的平滑化(ETS)、高度なLong Short-Term Memory(LSTM)とアンサンブルを組み合わせたものである。
欧州35か国における月次電力需要時系列のシミュレーション研究により,提案モデルの高性能性が確認された。
論文 参考訳(メタデータ) (2020-03-29T10:53:50Z) - A Bayesian Long Short-Term Memory Model for Value at Risk and Expected
Shortfall Joint Forecasting [26.834110647177965]
バリュー・アット・リスク(VaR)と期待不足(ES)は、市場リスクを測定し、極端な市場の動きを管理するために金融セクターで広く利用されている。
量子化スコア関数と非対称ラプラス密度の最近の関係は、VaRとESのジョイントモデリングのためのフレキシブルな可能性に基づく枠組みにつながっている。
Asymmetric Laplace quasi-likelihoodをベースとしたハイブリッドモデルを開発し、機械学習のLong Short-Term Memory(LSTM)時系列モデリング技術を用いて、VaRとESの基盤となるダイナミクスを効率的に捉える。
論文 参考訳(メタデータ) (2020-01-23T05:13:36Z)
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。