論文の概要: A Context Integrated Relational Spatio-Temporal Model for Demand and Supply Forecasting

• arxiv url: http://arxiv.org/abs/2009.12469v1
• Date: Fri, 25 Sep 2020 22:55:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 22:31:00.871657
• Title: A Context Integrated Relational Spatio-Temporal Model for Demand and Supply Forecasting
• Title（参考訳）: 需要・供給予測のためのコンテキスト統合型関係時空間モデル
• Authors: Hongjie Chen, Ryan A. Rossi, Kanak Mahadik, and Hoda Eldardiry
• Abstract要約: 我々は、コンテキスト統合グラフニューラルネットワーク(CIGNN)という新しいコンテキスト統合関係モデルを提案する。 CIGNNは、時間的、リレーショナル、空間的、動的コンテキスト依存を多段階の事前需要予測に活用する。 CIGNNは、周期的および不規則な時系列ネットワークにおいて、最先端のベースラインを一貫して上回ることを示す。
• 参考スコア（独自算出の注目度）: 22.010040988816137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional methods for demand forecasting only focus on modeling the temporal dependency. However, forecasting on spatio-temporal data requires modeling of complex nonlinear relational and spatial dependencies. In addition, dynamic contextual information can have a significant impact on the demand values, and therefore needs to be captured. For example, in a bike-sharing system, bike usage can be impacted by weather. Existing methods assume the contextual impact is fixed. However, we note that the contextual impact evolves over time. We propose a novel context integrated relational model, Context Integrated Graph Neural Network (CIGNN), which leverages the temporal, relational, spatial, and dynamic contextual dependencies for multi-step ahead demand forecasting. Our approach considers the demand network over various geographical locations and represents the network as a graph. We define a demand graph, where nodes represent demand time-series, and context graphs (one for each type of context), where nodes represent contextual time-series. Assuming that various contexts evolve and have a dynamic impact on the fluctuation of demand, our proposed CIGNN model employs a fusion mechanism that jointly learns from all available types of contextual information. To the best of our knowledge, this is the first approach that integrates dynamic contexts with graph neural networks for spatio-temporal demand forecasting, thereby increasing prediction accuracy. We present empirical results on two real-world datasets, demonstrating that CIGNN consistently outperforms state-of-the-art baselines, in both periodic and irregular time-series networks.
• Abstract（参考訳）: 需要予測の伝統的な方法は、時間依存のモデリングのみに焦点を当てる。 しかし、時空間データの予測には複雑な非線形関係と空間依存性のモデリングが必要である。 さらに、動的なコンテキスト情報は需要値に大きな影響を与える可能性があるため、キャプチャする必要がある。 例えば、自転車シェアリングシステムでは、自転車の利用は天候に影響される可能性がある。 既存の方法は、文脈の影響が固定されていると仮定する。 しかし、文脈的影響は時間とともに進化していく。 本稿では,多段階先行需要予測のための時間的,リレーショナル,空間的,動的コンテキスト依存を利用した,新たなコンテキスト統合型関係モデルであるコンテキスト統合グラフニューラルネットワーク(cignn)を提案する。 本手法では,様々な地理的位置における需要ネットワークを考慮し,ネットワークをグラフとして表現する。 ノードが要求時系列を表すデマンドグラフと、コンテキストグラフ(各タイプのコンテキストに対して1つ)を定義し、ノードがコンテキスト時系列を表す。 様々なコンテキストが進化し、需要変動に動的に影響を及ぼすと仮定すると、提案するcignnモデルは、利用可能なすべてのコンテキスト情報から共同で学習する融合メカニズムを採用している。 我々の知る限りでは、これは動的コンテキストとグラフニューラルネットワークを統合して時空間需要予測を行い、予測精度を高める最初のアプローチである。 2つの実世界のデータセットで実験結果を示し、cignnが周期的および不規則な時系列ネットワークにおいて常に最先端のベースラインを上回ることを示した。

関連論文リスト

• Adaptive Dependency Learning Graph Neural Networks [5.653058780958551]
  本稿では,ニューラルネットワークと統計構造学習モデルを組み合わせたハイブリッドアプローチを提案する。 提案手法は,事前定義された依存性グラフを使わずに,実世界のベンチマークデータセットを用いて性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-12-06T20:56:23Z)
• Dynamic Hypergraph Structure Learning for Traffic Flow Forecasting [35.0288931087826]
  交通流予測は、過去のネットワークと交通条件に基づいて将来の交通状況を予測することを目的としている。 この問題は、遠時ニューラルネットワーク(GNN)を用いた交通データにおける複雑な時間相関をモデル化することによって、典型的に解決される。 既存の手法は、近隣情報を線形に集約するメッセージパッシングのパラダイムに従っている。 本稿では,交通流予測のための動的ハイパー構造学習(DyHSL)モデルを提案する。
  論文  参考訳（メタデータ） (2023-09-21T12:44:55Z)
• Local-Global Information Interaction Debiasing for Dynamic Scene Graph Generation [51.92419880088668]
  マルチタスク学習に基づく新しいDynSGGモデルDynSGG-MTLを提案する。 長期的人間の行動は、大域的な制約に適合する複数のシーングラフを生成するためにモデルを監督し、尾の述語を学べないモデルを避ける。
  論文  参考訳（メタデータ） (2023-08-10T01:24:25Z)
• Learning Dynamic Graphs from All Contextual Information for Accurate Point-of-Interest Visit Forecasting [9.670949636600035]
  Busyness Graph Neural Network (BysGNN) は、基礎となるマルチコンテキスト相関を学習し、発見するために設計された時間グラフニューラルネットワークである。 文脈的,時間的,空間的な信号をすべて取り入れることで,最先端の予測モデルに対する予測精度の大幅な向上を観察する。
  論文  参考訳（メタデータ） (2023-06-28T05:14:03Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• 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)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Passenger Mobility Prediction via Representation Learning for Dynamic Directed and Weighted Graph [31.062303389341317]
  本稿では,gallat (graph prediction with all attention) という新たなグラフアテンションネットワークを提案する。 Gallatでは、DDWグラフの3つの本質的な特性を包括的に組み込むことにより、3つの注意層を構築し、すべての履歴時間スロットにわたって異なる地域間の依存関係を完全にキャプチャします。 提案モデルを実世界のデータセット上で評価し,gallatが最先端のアプローチを上回ることを示した。
  論文  参考訳（メタデータ） (2021-01-04T03:32:01Z)
• Spatial-Temporal Dynamic Graph Attention Networks for Ride-hailing Demand Prediction [3.084885761077852]
  ライドシェアの需要予測は、リソースの事前配置、車の利用率の向上、ユーザエクスペリエンス向上に役立つ。 既存の配車需要予測手法は、近隣地域でのみ同様の重要性を割り当てている。 本研究では,新しい配車需要予測手法である空間時間動的グラフ注意ネットワーク(STDGAT)を提案する。
  論文  参考訳（メタデータ） (2020-06-07T13:00:19Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。