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
- A Generative Pre-Training Framework for Spatio-Temporal Graph Transfer
Learning [27.804832148368916]
本稿では,STG転送学習のための新しい生成事前学習フレームワーク GPDiff を提案する。
我々はSTG転送学習を生成的ハイパーネットワークの事前学習として再考し、プロンプトで導かれる調整されたモデルパラメータを生成する。
データギャップと都市間の知識の一般化の複雑さから生じる課題に対処することで、我々のフレームワークは一貫して最先端のベースラインを上回っている。
論文 参考訳(メタデータ) (2024-02-19T08:11:26Z) - 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) - Self-Supervised Deconfounding Against Spatio-Temporal Shifts: Theory and
Modeling [48.09863133371918]
本研究では,過去の交通データ,将来の交通データ,外部STコンテキストの因果グラフを構築することで,問題を定式化する。
OODトラフィックデータにおける先行技術の失敗は、STコンテキストが共同創設者として機能すること、すなわち過去のデータと将来のデータに対する共通の原因によるものであることが示される。
本研究では,STEVE(Spatio-Temporal sElf-superVised dEconfounding)フレームワークを考案し,トラフィックデータを2つの不整合表現に符号化し,不変および変動STコンテキストを関連付ける。
論文 参考訳(メタデータ) (2023-11-21T09:33:13Z) - 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) - Position Paper: An Integrated Perspective on Data, Metrics, and
Methodology for Deep Time-Series Forecasting [25.84249170034528]
深層時系列予測は多くの実践的応用において重要な役割を担っている。
包括的なフレームワークを提案することで、現在の予測プラクティスの限界を超越することを目指している。
論文 参考訳(メタデータ) (2023-10-11T12:48:45Z) - Exploring Progress in Multivariate Time Series Forecasting:
Comprehensive Benchmarking and Heterogeneity Analysis [72.18987459587682]
MTS予測における公正な比較のために設計されたベンチマークであるBasicTSを紹介する。
MTSデータセットの不均一性を強調し、時間的特徴と空間的特徴に基づいて分類する。
論文 参考訳(メタデータ) (2023-10-09T19:52:22Z) - 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) - On Pitfalls of Test-Time Adaptation [82.8392232222119]
TTA(Test-Time Adaptation)は、分散シフトの下で堅牢性に取り組むための有望なアプローチとして登場した。
TTABは,10の最先端アルゴリズム,多種多様な分散シフト,および2つの評価プロトコルを含むテスト時間適応ベンチマークである。
論文 参考訳(メタデータ) (2023-06-06T09:35:29Z) - 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。