論文の概要: TERMCast: Temporal Relation Modeling for Effective Urban Flow
Forecasting
- arxiv url: http://arxiv.org/abs/2011.05554v2
- Date: Fri, 5 Mar 2021 01:53:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 23:05:32.673905
- Title: TERMCast: Temporal Relation Modeling for Effective Urban Flow
Forecasting
- Title(参考訳): termcast: 有効都市フロー予測のための時間関係モデリング
- Authors: Hao Xue and Flora D Salim
- Abstract要約: 本稿では,新しい都市流れ予測アーキテクチャであるTERMCastを紹介する。
Transformerベースの長期関係予測モジュールは、周期性を検出するために明示的に設計されている。
予測周期関係ベクトルと予測都市流テンソルから推定される関係ベクトルの整合性を測定するために, 整合モジュールを提案する。
- 参考スコア(独自算出の注目度): 9.949781365631557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Urban flow forecasting is a challenging task, given the inherent periodic
characteristics of urban flow patterns. To capture the periodicity, existing
urban flow prediction approaches are often designed with closeness, period, and
trend components extracted from the urban flow sequence. However, these three
components are often considered separately in the prediction model. These
components have not been fully explored together and simultaneously
incorporated in urban flow forecasting models. We introduce a novel urban flow
forecasting architecture, TERMCast. A Transformer based long-term relation
prediction module is explicitly designed to discover the periodicity and enable
the three components to be jointly modeled This module predicts the periodic
relation which is then used to yield the predicted urban flow tensor. To
measure the consistency of the predicted periodic relation vector and the
relation vector inferred from the predicted urban flow tensor, we propose a
consistency module. A consistency loss is introduced in the training process to
further improve the prediction performance. Through extensive experiments on
three real-world datasets, we demonstrate that TERMCast outperforms multiple
state-of-the-art methods. The effectiveness of each module in TERMCast has also
been investigated.
- Abstract(参考訳): 都市フロー予測は, 都市フローパターン固有の周期特性を考えると, 困難な課題である。
周期性を捉えるため、既存の都市流予測手法は、都市流列から抽出された近接性、周期、トレンド成分を用いて設計されることが多い。
しかし、これらの3つの成分は予測モデルでは別々に考慮されることが多い。
これらの成分は完全には探索されておらず、同時に都市流予測モデルに組み込まれている。
本稿では,新しい都市流れ予測アーキテクチャであるTERMCastを紹介する。
変圧器を用いた長期関係予測モジュールは、周期性を発見し、3つのコンポーネントを共同でモデル化できるように明示的に設計されており、このモジュールは予測された都市流テンソルを生成するために使用される周期関係を予測する。
予測周期関係ベクトルと予測都市流テンソルから推定される関係ベクトルの整合性を測定するために,整合モジュールを提案する。
トレーニングプロセスに一貫性損失が導入され、予測性能がさらに向上する。
3つの実世界のデータセットに関する広範な実験を通して、TERMCastが複数の最先端手法より優れていることを示す。
TERMCastの各モジュールの有効性についても検討した。
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) - Structured, Complex and Time-complete Temporal Event Forecasting [66.17005554335029]
時間的イベント予測は、歴史で観測された出来事から次に何が起こるかを予測することを目的としている。
それまでの時間的事象の定式化は、非構造的、原子的、あるいは完全な時間的情報が欠如している。
SCTc-TE(Structured, Complex, and Time-complete Temporal Event)の新たな定式化について紹介する。
論文 参考訳(メタデータ) (2023-12-02T07:40:21Z) - FLODCAST: Flow and Depth Forecasting via Multimodal Recurrent
Architectures [31.879514593973195]
本研究では,両モードを同時に予測するフローおよび深さ予測モデルを提案する。
提案したモデルをトレーニングし、将来いくつかのタイムステップの予測を行う。
セグメンテーション予測の下流タスクの利点を報告し、フローベースのマスクウォーピングフレームワークに予測を注入する。
論文 参考訳(メタデータ) (2023-10-31T16:30:16Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳(メタデータ) (2023-06-15T17:03:14Z) - EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph
Learning [114.72818205974285]
本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。
EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
論文 参考訳(メタデータ) (2023-03-22T06:35:08Z) - PRNet: A Periodic Residual Learning Network for Crowd Flow Forecasting [8.50942649992681]
我々は,クラウドフローデータの周期性をモデル化するための新しい周期的残差学習ネットワーク(PRNet)を考案した。
PRNetは、入力(前の時間)と出力(将来の時間)のずれをモデル化し、周期的残差学習問題として予測する群集フローをフレーム化する。
2つの実世界のデータセットに対する実験結果から、PRNetは精度と堅牢性の両方の観点から最先端の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2021-12-08T12:04:27Z) - PSTN: Periodic Spatial-temporal Deep Neural Network for Traffic
Condition Prediction [8.255993195520306]
本稿では,交通条件の予測性能を改善するために,周期的深部ニューラルネットワーク(PSTN)を3つのモジュールで提案する。
まず、歴史交通情報を折り畳み、グラフ畳み込みネットワークと時間畳み込みネットワークからなるモジュールに供給する。
論文 参考訳(メタデータ) (2021-08-05T07:42:43Z) - Temporal Consistency Two-Stream CNN for Human Motion Prediction [26.69027886823277]
本研究では,二流関節情報を融合して人間の運動を予測する新しい時間的融合(tf)モジュールを提案する。
TFモジュールは、最初の予測ポーズと与えられたポーズの間の時間的連続性を高めることができる。
私たちのアプローチは、3つのベンチマークデータセットで印象的な結果をもたらします。
論文 参考訳(メタデータ) (2021-04-11T13:50:18Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Consistency Guided Scene Flow Estimation [159.24395181068218]
CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。
提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。
最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
論文 参考訳(メタデータ) (2020-06-19T17:28:07Z) - Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow
Profile [15.875569404476495]
本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。
具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。
短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
論文 参考訳(メタデータ) (2020-04-23T08:30:00Z)
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。