論文の概要: Joint predictions of multi-modal ride-hailing demands: a deep multi-task multigraph learning-based approach

• arxiv url: http://arxiv.org/abs/2011.05602v1
• Date: Wed, 11 Nov 2020 07:10:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 23:04:59.210308
• Title: Joint predictions of multi-modal ride-hailing demands: a deep multi-task multigraph learning-based approach
• Title（参考訳）: マルチモーダル配車要求に対する共同予測--ディープマルチタスク・マルチグラフ学習に基づくアプローチ
• Authors: Jintao Ke, Siyuan Feng, Zheng Zhu, Hai Yang, Jieping Ye
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 64.18639899347822
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ride-hailing platforms generally provide various service options to customers, such as solo ride services, shared ride services, etc. It is generally expected that demands for different service modes are correlated, and the prediction of demand for one service mode can benefit from historical observations of demands for other service modes. Moreover, an accurate joint prediction of demands for multiple service modes can help the platforms better allocate and dispatch vehicle resources. Although there is a large stream of literature on ride-hailing demand predictions for one specific service mode, little efforts have been paid towards joint predictions of ride-hailing demands for multiple service modes. To address this issue, we propose a deep multi-task multi-graph learning approach, which combines two components: (1) multiple multi-graph convolutional (MGC) networks for predicting demands for different service modes, and (2) multi-task learning modules that enable knowledge sharing across multiple MGC networks. More specifically, two multi-task learning structures are established. The first one is the regularized cross-task learning, which builds cross-task connections among the inputs and outputs of multiple MGC networks. The second one is the multi-linear relationship learning, which imposes a prior tensor normal distribution on the weights of various MGC networks. Although there are no concrete bridges between different MGC networks, the weights of these networks are constrained by each other and subject to a common prior distribution. Evaluated with the for-hire-vehicle datasets in Manhattan, we show that our propose approach outperforms the benchmark algorithms in prediction accuracy for different ride-hailing modes.
• Abstract（参考訳）: ライドシェアリングプラットフォームは一般的に、ソロライドサービスや共有ライドサービスなど、さまざまなサービスオプションを顧客に提供します。 異なるサービスモードに対する要求は相関しており、一つのサービスモードに対する需要の予測は、他のサービスモードに対する要求の歴史的な観察から恩恵を受ける可能性がある。 さらに、複数のサービスモードに対する要求の正確な共同予測は、プラットフォームが車両リソースを割り当て、ディスパッチするのに役立つ。 1つの特定のサービスモードに対する配車需要予測に関する文献は多数存在するが、複数のサービスモードに対する配車需要の合同予測への取り組みはほとんど行われていない。 この問題に対処するために,1) 異なるサービスモードの要求を予測する複数のマルチグラフ畳み込み(MGC)ネットワークと,2) 複数のMGCネットワーク間の知識共有を可能にするマルチタスク学習モジュールの2つのコンポーネントを組み合わせた深層マルチタスク学習手法を提案する。 具体的には、2つのマルチタスク学習構造が確立されている。 ひとつは正規化されたクロスタスク学習で、複数のmgcネットワークの入力と出力間のクロスタスク接続を構築する。 2つ目はマルチ線形関係学習であり、様々なMGCネットワークの重みに先行テンソル正規分布を課す。 異なるmgcネットワークの間に具体的な橋はないが、これらのネットワークの重みは互いに制約され、共通の事前分布に従う。 マンハッタンのFor-hire-vehicleデータセットから評価したところ,提案手法は,異なる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がわかった。

関連論文リスト

• Towards Personalized Federated Multi-Scenario Multi-Task Recommendation [22.095138650857436]
  PF-MSMTrecは、パーソナライズされたマルチシナリオマルチタスクレコメンデーションのための新しいフレームワークである。 複数の最適化競合の独特な課題に対処するために,ボトムアップ共同学習機構を導入する。 提案手法は最先端手法より優れている。
  論文  参考訳（メタデータ） (2024-06-27T07:10:37Z)
• OmniVec: Learning robust representations with cross modal sharing [28.023214572340336]
  複数のタスクを複数のモードで,統一されたアーキテクチャで学習する手法を提案する。 提案するネットワークはタスク固有エンコーダ(中央の共通トランク)とタスク固有予測ヘッドで構成される。 私たちは、視覚、オーディオ、テキスト、3Dなどの主要なモダリティでネットワークをトレーニングし、22ドルの多様性と挑戦的な公開ベンチマークの結果を報告します。
  論文  参考訳（メタデータ） (2023-11-07T14:00:09Z)
• HiNet: Novel Multi-Scenario & Multi-Task Learning with Hierarchical Information Extraction [50.40732146978222]
  マルチシナリオとマルチタスク学習は、産業アプリケーションにおける多くのレコメンデーションシステムに広く応用されている。 階層型情報抽出ネットワーク(HiNet)を提案する。 HiNetは、新しい最先端のパフォーマンスを実現し、既存のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-03-10T17:24:41Z)
• OFASys: A Multi-Modal Multi-Task Learning System for Building Generalist Models [72.8156832931841]
  ジェネリストモデルは、単一のモデル内でタスクに依存しない方法で多様なマルチモーダルタスクを実行することができる。 マルチモーダル命令と呼ばれる宣言型タスクインタフェース上に構築された汎用モデル学習システムOFASysをリリースする。
  論文  参考訳（メタデータ） (2022-12-08T17:07:09Z)
• Cross-Mode Knowledge Adaptation for Bike Sharing Demand Prediction using Domain-Adversarial Graph Neural Networks [8.695763084463055]
  本研究では,自転車シェアリング需要予測のためのドメイン逆多重関係グラフニューラルネットワーク(DA-MRGNN)を提案する。 異なるモードのパターン要求から共有可能な特徴を抽出するために、時間的対角適応ネットワークを導入する。 実験はニューヨーク市の実際の自転車シェアリング、地下鉄、ライドシェアリングのデータを用いて行われた。
  論文  参考訳（メタデータ） (2022-11-16T13:35:32Z)
• Channel Exchanging Networks for Multimodal and Multitask Dense Image Prediction [125.18248926508045]
  本稿では,マルチモーダル融合とマルチタスク学習の両方に適用可能な,自己適応的でパラメータフリーなチャネル交換ネットワーク(CEN)を提案する。 CENは異なるモダリティのワーク間でチャネルを動的に交換する。 濃密な画像予測を応用するために、CENの有効性は4つの異なるシナリオで検証される。
  論文  参考訳（メタデータ） (2021-12-04T05:47:54Z)
• Routing with Self-Attention for Multimodal Capsule Networks [108.85007719132618]
  我々は,カプセルの強度をマルチモーダル学習フレームワークの文脈で活用できる,新しいマルチモーダルカプセルネットワークを提案する。 カプセルを大規模入力データに適応させるために, カプセルを選択する自己保持機構による新たなルーティングを提案する。 これにより、ノイズの多いビデオデータによる堅牢なトレーニングだけでなく、従来のルーティング方法と比較してカプセルネットワークのサイズを拡大することが可能になる。
  論文  参考訳（メタデータ） (2021-12-01T19:01:26Z)
• VLM: Task-agnostic Video-Language Model Pre-training for Video Understanding [78.28397557433544]
  本稿では,タスクに依存しないマルチモーダル事前学習手法を提案する。 実験の結果,従来の手法よりも広い範囲のタスクに対して強い性能を示し,タスク固有の事前学習よりも優れていた。
  論文  参考訳（メタデータ） (2021-05-20T19:13:27Z)
• Adversarial Multimodal Representation Learning for Click-Through Rate Prediction [16.10640369157054]
  本稿では,Click-Through Rate (CTR)予測タスクのための新しいマルチモーダル適応表現ネットワーク(MARN)を提案する。 マルチモーダルアテンションネットワークは、まず、各項目の複数のモーダルティの重みを、そのモーダル比の特徴に応じて算出する。 マルチモーダル対向ネットワークは、二重識別器戦略を導入するモードイン表現を学習する。
  論文  参考訳（メタデータ） (2020-03-07T15:50:23Z)

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。