論文の概要: Knowledge Adaption for Demand Prediction based on Multi-task Memory Neural Network

• arxiv url: http://arxiv.org/abs/2009.05777v1
• Date: Sat, 12 Sep 2020 12:21:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 08:08:27.743537
• Title: Knowledge Adaption for Demand Prediction based on Multi-task Memory Neural Network
• Title（参考訳）: マルチタスクメモリニューラルネットワークを用いた需要予測のための知識適応
• Authors: Can Li, Lei Bai, Wei Liu, Lina Yao, S Travis Waller
• Abstract要約: 駅集中型モードからのデータを用いた駅間モードの需要予測とメモリ拡張型マルチタスクリカレントネットワーク(MATURE)の設計を提案する。 具体的には,1)長期の情報を捕捉し,各トランジットモードの時間的知識を格納する能力を強化するメモリ拡張リカレントネットワーク,2)ステーション集約的なソースからステーションスパースソースへの知識を適応するための知識適応モジュール,3)すべての情報を組み込んだマルチタスク学習フレームワーク,および複数のモードの需要を同時に予測する。
• 参考スコア（独自算出の注目度）: 43.356096302298056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate demand forecasting of different public transport modes(e.g., buses and light rails) is essential for public service operation.However, the development level of various modes often varies sig-nificantly, which makes it hard to predict the demand of the modeswith insufficient knowledge and sparse station distribution (i.e.,station-sparse mode). Intuitively, different public transit modes mayexhibit shared demand patterns temporally and spatially in a city.As such, we propose to enhance the demand prediction of station-sparse modes with the data from station-intensive mode and designaMemory-Augmented Multi-taskRecurrent Network (MATURE)to derive the transferable demand patterns from each mode andboost the prediction of station-sparse modes through adaptingthe relevant patterns from the station-intensive mode. Specifically,MATUREcomprises three components: 1) a memory-augmentedrecurrent network for strengthening the ability to capture the long-short term information and storing temporal knowledge of eachtransit mode; 2) a knowledge adaption module to adapt the rele-vant knowledge from a station-intensive source to station-sparsesources; 3) a multi-task learning framework to incorporate all theinformation and forecast the demand of multiple modes jointly.The experimental results on a real-world dataset covering four pub-lic transport modes demonstrate that our model can promote thedemand forecasting performance for the station-sparse modes.
• Abstract（参考訳）: 公共交通モード(バスやライトレールなど)の正確な需要予測は、公共サービス運用には不可欠であるが、様々なモードの開発レベルが重要視されることが多く、知識不足や駅の分散(駅・スパースモード)が不足しているため、需要予測が困難である。 直観的には,都市内で異なる公共交通モードが時空間的に共有需要パターンを除外する可能性があり,そのために,局集中型モードと設計記憶型マルチタスクリカレントネットワーク(mature)のデータを用いて,局集中型モードから関連するパターンを適応させることで,各モードから転送可能な需要パターンを導出し,局スパースモードの予測を促進させる。 具体的には、3つのコンポーネントがある。 1) 長期情報を捕捉し、各トランジットモードの時間的知識を記憶する能力を強化するためのメモリ拡張リカレントネットワーク 2)rele-vant知識を局集中型ソースから局スパースソースに適応させるための知識適応モジュール 3)すべての情報を取り込んで複数のモードの需要を予測するためのマルチタスク学習フレームワーク。4つのpub-licトランスポートモードをカバーする実世界のデータセットにおける実験結果から,本モデルがステーションスパースモードの需要予測性能を促進できることが示されている。

関連論文リスト

• A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
  マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。 モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。 本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
  論文  参考訳（メタデータ） (2024-08-26T17:59:01Z)
• 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)
• T-SaS: Toward Shift-aware Dynamic Adaptation for Streaming Data [9.829993835712422]
  本稿では,突発的な分散シフトの存在下での逐次データモデリングの課題を解決することを目的とする。 具体的には、データの急激なシフトを捉えるために、離散分布モデリング変数を持つT-SaSと呼ばれるベイズフレームワークを設計する。 提案手法は,全ネットワーク上でどのニューロンを活性化すべきかを学習することで,各分布の特定のモデルパラメータを学習する。
  論文  参考訳（メタデータ） (2023-09-05T22:55:10Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• Transfer learning for cross-modal demand prediction of bike-share and public transit [3.048808575168628]
  本研究では,多種多様な機械学習モデルと移動学習戦略を,モーダル間需要予測のために検討する。 駅レベルの旅客流として、自転車シェア、メトロ、タクシーの走行データを処理する。 提案手法は南京・シカゴの大規模ケーススタディで検証された。
  論文  参考訳（メタデータ） (2022-03-17T12:06:05Z)
• Joint Demand Prediction for Multimodal Systems: A Multi-task Multi-relational Spatiotemporal Graph Neural Network Approach [7.481812882780837]
  本研究では,マルチモーダル需要予測のためのマルチリレーショナルグラフニューラルネットワーク(MRGNN)を提案する。 マルチリレーショナルグラフニューラルネットワーク(MRGNN)を導入し,異種空間依存性を捉える。 実験はニューヨーク市の実際のデータセットを用いて行われる。
  論文  参考訳（メタデータ） (2021-12-15T12:35:35Z)
• Multi-View TRGRU: Transformer based Spatiotemporal Model for Short-Term Metro Origin-Destination Matrix Prediction [12.626657411944949]
  ODメトロマトリクス予測に対処するハイブリド・フレームワークであるMulti-view TRGRUを提案する。 特に、最近のトレンド、日々のトレンド、毎週のトレンドという3つのフロー変化パターンをモデル化するために、3つのモジュールを使用する。 各モジュールにおいて、各ステーションへの埋め込みに基づくマルチビュー表現を構築し、トランスをベースとした再ゲート電流構造に供給する。
  論文  参考訳（メタデータ） (2021-08-09T09:32:42Z)
• Joint predictions of multi-modal ride-hailing demands: a deep multi-task multigraph learning-based approach [64.18639899347822]
  本稿では、複数のマルチグラフ畳み込み(MGC)ネットワークを組み合わせて、異なるサービスモードの要求を予測する深層マルチタスクマルチグラフ学習手法を提案する。 提案手法は,様々な配車モードの予測精度において,ベンチマークアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-11T07:10:50Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。