論文の概要: Revisiting the Modifiable Areal Unit Problem in Deep Traffic Prediction
with Visual Analytics
- arxiv url: http://arxiv.org/abs/2007.15486v3
- Date: Mon, 7 Sep 2020 14:20:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 14:53:05.848143
- Title: Revisiting the Modifiable Areal Unit Problem in Deep Traffic Prediction
with Visual Analytics
- Title(参考訳): ビジュアルアナリティクスを用いた深部交通予測における修正可能なリアルユニット問題の再検討
- Authors: Wei Zeng, Chengqiao Lin, Juncong Lin, Jincheng Jiang, Jiazhi Xia,
Cagatay Turkay, Wei Chen
- Abstract要約: 本研究では,都市交通データの動的に変化するマルチスカラーアグリゲーションとニューラルネットワーク予測の関係を可視化する手法を提案する。
深センのタクシー旅行の現実的なデータセットを含む一連のケーススタディを通じて、我々のアプローチを評価する。
- 参考スコア(独自算出の注目度): 14.453075528447165
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning methods are being increasingly used for urban traffic
prediction where spatiotemporal traffic data is aggregated into sequentially
organized matrices that are then fed into convolution-based residual neural
networks. However, the widely known modifiable areal unit problem within such
aggregation processes can lead to perturbations in the network inputs. This
issue can significantly destabilize the feature embeddings and the predictions,
rendering deep networks much less useful for the experts. This paper approaches
this challenge by leveraging unit visualization techniques that enable the
investigation of many-to-many relationships between dynamically varied
multi-scalar aggregations of urban traffic data and neural network predictions.
Through regular exchanges with a domain expert, we design and develop a visual
analytics solution that integrates 1) a Bivariate Map equipped with an advanced
bivariate colormap to simultaneously depict input traffic and prediction errors
across space, 2) a Morans I Scatterplot that provides local indicators of
spatial association analysis, and 3) a Multi-scale Attribution View that
arranges non-linear dot plots in a tree layout to promote model analysis and
comparison across scales. We evaluate our approach through a series of case
studies involving a real-world dataset of Shenzhen taxi trips, and through
interviews with domain experts. We observe that geographical scale variations
have important impact on prediction performances, and interactive visual
exploration of dynamically varying inputs and outputs benefit experts in the
development of deep traffic prediction models.
- Abstract(参考訳): 深層学習手法は、時空間の交通データを逐次的に整理された行列に集約し、畳み込みに基づく残留ニューラルネットワークに入力する都市交通予測にますます使われている。
しかし、そのような集約プロセスの中で広く知られている変更可能なアラル単位問題は、ネットワーク入力の摂動を引き起こす可能性がある。
この問題は、機能埋め込みと予測を著しく不安定にし、ディープネットワークを専門家にとって非常に役に立たないものにする。
本稿では,都市交通データの動的に変化するマルチスカラーアグリゲーションとニューラルネットワーク予測との間の多対多の関係を探索するユニット可視化技術を活用することで,この問題に対処する。
ドメインエキスパートと定期的に交換することで、私たちはビジュアル分析ソリューションを設計し、開発します。
1) 空間を横断する入力トラフィックと予測エラーを同時に描写する高度な2変数カラーマップを備えたバイバーリエートマップ。
2)空間関連分析の局所的指標を提供するモランi散布書,及び
3) ツリーレイアウトに非線形ドットプロットを配置し,モデル解析とスケール間の比較を促進するマルチスケール帰属ビュー。
我々は、深センのタクシー旅行の現実世界のデータセットを含む一連のケーススタディと、ドメインの専門家とのインタビューを通じて、このアプローチを評価します。
地理的スケールの変動が予測性能に重要な影響を与え、動的に変化する入力と出力のインタラクティブなビジュアル探索は、深層交通予測モデルの開発に有益である。
関連論文リスト
- TrafPS: A Shapley-based Visual Analytics Approach to Interpret Traffic [39.8945062366245]
TrafPSは、交通管理と都市計画における意思決定を支援するために、交通予測結果の視覚的分析手法である。
ドメインエキスパートのタスク要求に基づき,多視点探索と重要なフローパターンの解析にインタラクティブなビジュアルインタフェースを用いる。
2つの実世界のケーススタディは、TrafPSが重要なルートを特定し、都市計画における意思決定支援に有効であることを実証している。
論文 参考訳(メタデータ) (2024-03-07T01:00:55Z) - Heterogeneous Graph Neural Networks for Data-driven Traffic Assignment [6.149316647127476]
我々は、異種グラフニューラルネットワークのパワーを活用し、トラフィック割り当てとトラフィックフロー学習のための新しいデータ駆動アプローチを提案する。
提案モデルでは,異なるリンク間の空間的トラフィックパターンをキャプチャし,高精度な結果が得られる。
論文 参考訳(メタデータ) (2023-10-19T23:04:09Z) - Analyzing and modeling network travel patterns during the Ukraine
invasion using crowd-sourced pervasive traffic data [3.2198211356287674]
2022年、ウクライナは侵略に苦しめられ、時間と地理に深刻な影響を与えている。
本稿では,現在進行中のディスラプションが交通行動に与える影響について,解析および地域ネットワークモデルを用いて検討する。
論文 参考訳(メタデータ) (2022-08-08T17:36:35Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [77.14319095965058]
グラフ上のノードレベルの予測にOOD問題を定式化する。
そこで我々は,探索から抽出までのリスク最小化という新たなドメイン不変学習手法を開発した。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-02-05T02:31:01Z) - SST-GNN: Simplified Spatio-temporal Traffic forecasting model using
Graph Neural Network [2.524966118517392]
我々は,SST-GNN(SST-GNN)を簡易に設計し,異なる地区を個別に集約することで依存性を効果的に符号化した。
我々は,本モデルが3つの実環境トラフィックデータセットの最先端モデルよりも大幅に優れていることを示した。
論文 参考訳(メタデータ) (2021-03-31T18:28:44Z) - Variational Structured Attention Networks for Deep Visual Representation
Learning [49.80498066480928]
空間的注意マップとチャネル的注意の両方を原則的に共同学習するための統合的深層フレームワークを提案する。
具体的には,確率的表現学習フレームワークに注目度の推定と相互作用を統合する。
ニューラルネットワーク内で推論ルールを実装し,確率パラメータとcnnフロントエンドパラメータのエンドツーエンド学習を可能にする。
論文 参考訳(メタデータ) (2021-03-05T07:37:24Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z) - On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。
現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。
トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文 参考訳(メタデータ) (2020-07-16T18:39:04Z) - Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。
生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。
我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
論文 参考訳(メタデータ) (2020-06-23T08:49:46Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳(メタデータ) (2020-03-10T03:10:41Z)
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。