論文の概要: Exploring the Generalizability of Spatio-Temporal Traffic Prediction:
Meta-Modeling and an Analytic Framework
- arxiv url: http://arxiv.org/abs/2009.09379v3
- Date: Thu, 25 Nov 2021 01:32:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 12:34:13.160871
- Title: Exploring the Generalizability of Spatio-Temporal Traffic Prediction:
Meta-Modeling and an Analytic Framework
- Title（参考訳）: 時空間交通予測の一般化可能性を探る:メタモデリングと分析フレームワーク
- Authors: Leye Wang, Di Chai, Xuanzhe Liu, Liyue Chen, Kai Chen
- Abstract要約: 近年のSTTP(Temporal Traffic Prediction)問題は、従来の統計的学習とディープラーニングアプローチの恩恵を受ける多くの先行研究を伴う古典的な問題である。
i) 様々な空間的・時間的要因に関する設計上の考慮事項に関するSTTPアプローチを定性的に調査するSTAnalyticという分析フレームワークを提案する; (ii) 一般化可能な時間的・空間的知識を柔軟に統合可能なSTMetaと呼ばれる時空間メタモデルを設計する; (iii) 5つのシナリオからなる10個の実生活データセットを含むSTTPベンチマークプラットフォームを構築し、その一般化可能性について定量的に評価する。
- 参考スコア（独自算出の注目度）: 12.53669727450937
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Spatio-Temporal Traffic Prediction (STTP) problem is a classical problem
with plenty of prior research efforts that benefit from traditional statistical
learning and recent deep learning approaches. While STTP can refer to many
real-world problems, most existing studies focus on quite specific
applications, such as the prediction of taxi demand, ridesharing order, traffic
speed, and so on. This hinders the STTP research as the approaches designed for
different applications are hardly comparable, and thus how an
application-driven approach can be generalized to other scenarios is unclear.
To fill in this gap, this paper makes three efforts: (i) we propose an analytic
framework, called STAnalytic, to qualitatively investigate STTP approaches
regarding their design considerations on various spatial and temporal factors,
aiming to make different application-driven approaches comparable; (ii) we
design a spatio-temporal meta-model, called STMeta, which can flexibly
integrate generalizable temporal and spatial knowledge identified by
STAnalytic, (iii) we build an STTP benchmark platform including ten real-life
datasets with five scenarios to quantitatively measure the generalizability of
STTP approaches. In particular, we implement STMeta with different deep
learning techniques, and STMeta demonstrates better generalizability than
state-of-the-art approaches by achieving lower prediction error on average
across all the datasets.
- Abstract（参考訳）: 時空間交通予測(STTP)問題は、従来の統計的学習と近年のディープラーニングアプローチの恩恵を受ける多くの先行研究において古典的な問題である。
STTPは多くの現実世界の問題に言及できるが、既存の研究はタクシー需要の予測や配車順序、交通速度など、非常に具体的な応用に焦点を当てている。
このことは、異なるアプリケーション用に設計されたアプローチがほとんど比較にならないため、STTPの研究を妨げるため、アプリケーション駆動アプローチが他のシナリオにどのように一般化されるかは、不明である。
このギャップを埋めるために,本稿では3つの取り組みを行う。
i)STAnalyticと呼ばれる分析フレームワークを提案し、様々な空間的・時間的要因に関するSTTPアプローチを質的に検討し、異なるアプリケーション駆動アプローチを同等にすることを目的としている。
(II)STMetaと呼ばれる時空間メタモデルを設計し、STAnalyticによって認識される一般化可能な時間空間知識を柔軟に統合する。
3)STTPベンチマークプラットフォームを構築し,STTPアプローチの一般化可能性を定量的に測定する5つのシナリオを含む10個の実生活データセットを作成した。
特に、異なるディープラーニング技術でSTMetaを実装し、STMetaは、すべてのデータセットの平均的な予測誤差を低くすることで、最先端アプローチよりも優れた一般化性を示す。
関連論文リスト
- MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。
本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
論文 参考訳（メタデータ） (2024-10-12T07:02:33Z) - TSI: A Multi-View Representation Learning Approach for Time Series Forecasting [29.05140751690699]
本研究では,時系列予測のための新しいマルチビュー手法を提案する。
傾向と季節表現を独立成分分析(ICA)に基づく表現と統合する。
このアプローチは時系列データの全体的理解を提供し、しばしば曖昧で非線形な関係を見逃す伝統的なモデルを越えている。
論文 参考訳（メタデータ） (2024-09-30T02:11:57Z) - 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) - Towards Effective Fusion and Forecasting of Multimodal Spatio-temporal Data for Smart Mobility [3.8461644439720075]
ディープラーニングベースの手法は、スマートモビリティやスマートシティ、その他のインテリジェント交通システムといった分野において、下流タスクをサポートするために相関関係を学習する。
その効果にもかかわらず、STデータ融合と予測手法は現実のシナリオにおいて実践的な課題に直面している。
本稿では,現実の様々な応用の課題を探求する最近の研究を紹介するとともに,今後の研究分野におけるオープンな課題の確立について述べる。
論文 参考訳（メタデータ） (2024-07-23T02:08:22Z) - Test-Time Domain Generalization for Face Anti-Spoofing [60.94384914275116]
Face Anti-Spoofing (FAS) は、顔認識システムをプレゼンテーション攻撃から保護するために重要である。
本稿では,テストデータを活用してモデルの一般化性を高める新しいテスト時間領域一般化フレームワークについて紹介する。
テスト時間スタイル投影 (TTSP) とディバーススタイルシフトシミュレーション (DSSS) によって構成された本手法は, 目に見えないデータを領域空間に効果的に投影する。
論文 参考訳（メタデータ） (2024-03-28T11:50:23Z) - UniST: A Prompt-Empowered Universal Model for Urban Spatio-Temporal Prediction [26.69233687863233]
都市時間予測は、交通管理、資源最適化、出現応答などの情報的意思決定に不可欠である。
大規模言語モデルによる広範囲のシナリオにまたがる一般都市時間予測のためのユニバーサルモデルUniSTを紹介する。
論文 参考訳（メタデータ） (2024-02-19T05:04:11Z) - Robustness Approaches for the Examination Timetabling Problem under Data
Uncertainty [0.0]
テストタイムタブリング問題(ETTP)は、しばしばポストエンクルーメント問題(PE-ETTP)と見なされる。
本稿では、ロバスト最適化の文献で利用可能ないくつかのアプローチについて論じる。
本研究は, 試験時間の問題に対する各アプローチの影響を考察し, ETTPに最も好適なアプローチを適用する方法について述べる。
論文 参考訳（メタデータ） (2023-11-29T16:06:17Z) - Spatio-Temporal Meta Contrastive Learning [18.289397543341707]
頑健で一般化可能なS時間グラフ表現を符号化する新しい時間的コントラスト学習フレームワークを提案する。
本稿では,交通犯罪予測における各種技術ベースラインの性能向上について述べる。
論文 参考訳（メタデータ） (2023-10-26T04:56:31Z) - Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。
我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。
本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
論文 参考訳（メタデータ） (2023-07-04T05:19:19Z) - 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) - Scalable PAC-Bayesian Meta-Learning via the PAC-Optimal Hyper-Posterior:
From Theory to Practice [54.03076395748459]
メタラーニング文学の中心的な疑問は、目に見えないタスクへの一般化を保証するために、いかに正規化するかである。
本稿では,Rothfussらによって最初に導かれたメタラーニングの一般化について述べる。
PAC-Bayesian per-task 学習境界におけるメタラーニングの条件と程度について,理論的解析および実証事例研究を行った。
論文 参考訳（メタデータ） (2022-11-14T08:51:04Z)
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。