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
- 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) - 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) - 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) - STG-GAN: A spatiotemporal graph generative adversarial networks for
short-term passenger flow prediction in urban rail transit systems [11.167132464665578]
短期の旅客フロー予測は、都市交通システムを管理する上で重要であるが、難しい課題である。
本稿では,予測精度が高く,高い効率,メモリ占有率の低い,ディープラーニングに基づく時間グラフ生成対向ネットワーク(STG-GAN)モデルを提案する。
本研究は、特に現実の応用の観点から、短期の乗客フロー予測を行う上で、批判的な経験を提供することができる。
論文 参考訳(メタデータ) (2022-02-10T13:18:11Z) - 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) - 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) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-23T03:50:46Z) - 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。