論文の概要: DeepSTCL: A Deep Spatio-temporal ConvLSTM for Travel Demand Prediction

• arxiv url: http://arxiv.org/abs/2009.00096v1
• Date: Sat, 22 Aug 2020 13:33:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 08:21:10.281503
• Title: DeepSTCL: A Deep Spatio-temporal ConvLSTM for Travel Demand Prediction
• Title（参考訳）: deepstcl:旅行需要予測のための深部時空間コンヴルスtm
• Authors: Dongjie Wang, Yan Yang, Shangming Ning
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.0711669706762805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban resource scheduling is an important part of the development of a smart city, and transportation resources are the main components of urban resources. Currently, a series of problems with transportation resources such as unbalanced distribution and road congestion disrupt the scheduling discipline. Therefore, it is significant to predict travel demand for urban resource dispatching. Previously, the traditional time series models were used to forecast travel demand, such as AR, ARIMA and so on. However, the prediction efficiency of these methods is poor and the training time is too long. In order to improve the performance, deep learning is used to assist prediction. But most of the deep learning methods only utilize temporal dependence or spatial dependence of data in the forecasting process. To address these limitations, a novel deep learning traffic demand forecasting framework which based on Deep Spatio-Temporal ConvLSTM is proposed in this paper. In order to evaluate the performance of the framework, an end-to-end deep learning system is designed and a real dataset is used. Furthermore, the proposed method can capture temporal dependence and spatial dependence simultaneously. The closeness, period and trend components of spatio-temporal data are used in three predicted branches. These branches have the same network structures, but do not share weights. Then a linear fusion method is used to get the final result. Finally, the experimental results on DIDI order dataset of Chengdu demonstrate that our method outperforms traditional models with accuracy and speed.
• Abstract（参考訳）: 都市資源スケジューリングはスマートシティの発展の重要な部分であり、交通資源は都市資源の主要な構成要素である。 現在、不均衡分布や道路渋滞といった交通資源の問題がスケジューリングの規律を乱している。 したがって、都市資源派遣の旅行需要を予測することは重要である。 以前は、ARやARIMAなどの旅行需要予測に伝統的な時系列モデルが用いられていた。 しかし,これらの手法の予測効率は低く,訓練時間が長すぎる。 性能を改善するために、ディープラーニングは予測を支援するために使用される。 しかし、ディープラーニング手法のほとんどは、予測過程におけるデータの時間的依存または空間的依存のみを利用する。 これらの制約に対処するために,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。 フレームワークの性能を評価するために、エンドツーエンドのディープラーニングシステムを設計し、実際のデータセットを使用する。 さらに,提案手法は時間依存と空間依存を同時に捉えることができる。 時空間データの近接性、周期およびトレンド成分は、予測された3つの分岐で使用される。 これらの枝は同じネットワーク構造を持つが、重みを共有しない。 次に、最終結果を得るために線形融合法を用いる。 最後に、chengduのdidi orderデータセットにおける実験結果から、従来のモデルよりも精度と速度で優れることを示した。

関連論文リスト

• TEAM: Topological Evolution-aware Framework for Traffic Forecasting--Extended Version [24.544665297938437]
  交通予測のためのトポロジカル進化認識フレームワーク(TEAM)には、畳み込みと注意が組み込まれている。 TEAMは、予測精度を損なうことなく、既存の方法よりもはるかに低い再訓練コストを削減できる。
  論文  参考訳（メタデータ） (2024-10-24T22:50:21Z)
• EasyST: A Simple Framework for Spatio-Temporal Prediction [18.291117879544945]
  本稿では,時空間予測のための簡単なフレームワークであるEasySTパラダイムを提案する。 複雑な時間的GNNからの知識を蒸留することにより、軽量で堅牢なマルチ層パーセプトロン(MLP)の一般化を学習する。 EasySTは、効率と精度の点で最先端のアプローチを超越している。
  論文  参考訳（メタデータ） (2024-09-10T11:40:01Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction [24.26429523848735]
  急速な都市化は交通渋滞を著しくエスカレートさせ、高度な渋滞予測サービスの必要性を浮き彫りにした。 本稿では,CP-MoE(Congestion Prediction Mixture-of-Experts)を提案する。 CP-MoEは、旅行時間推定システムの精度と信頼性を向上させるため、DiDiに展開されている。
  論文  参考訳（メタデータ） (2024-06-14T12:57:17Z)
• 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)
• ST-MLP: A Cascaded Spatio-Temporal Linear Framework with Channel-Independence Strategy for Traffic Forecasting [47.74479442786052]
  時空間グラフニューラルネットワーク(STGNN)に関する現在の研究は、しばしば複雑な設計を優先し、精度をわずかに向上させるだけで計算負荷を発生させる。 マルチ層パーセプトロン(MLP)モジュールと線形層のみをベースとした,簡潔な時空間モデルST-MLPを提案する。 実験の結果,ST-MLPは最先端STGNNと他のモデルよりも精度と計算効率の点で優れていた。
  論文  参考訳（メタデータ） (2023-08-14T23:34:59Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)
• 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)
• Interpretable Crowd Flow Prediction with Spatial-Temporal Self-Attention [16.49833154469825]
  群衆の流れを予測する最も難しい部分は、複雑な空間的・時間的依存関係を測定することである。 時空間表現全体を計算するためのST符号化ゲートを備えた時空間自己認識ネットワーク(STSAN)を提案する。 交通および移動データに関する実験結果から,提案手法はTaxi-NYCデータセット上でRMSEの流入と流出を16%減らし,8%減らすことを示した。
  論文  参考訳（メタデータ） (2020-02-22T12:43:11Z)

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。