論文の概要: Using Spatio-temporal Deep Learning for Forecasting Demand and
Supply-demand Gap in Ride-hailing System with Anonymized Spatial Adjacency
Information
- arxiv url: http://arxiv.org/abs/2012.08868v1
- Date: Wed, 16 Dec 2020 11:22:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 02:54:06.209513
- Title: Using Spatio-temporal Deep Learning for Forecasting Demand and
Supply-demand Gap in Ride-hailing System with Anonymized Spatial Adjacency
Information
- Title(参考訳): 匿名空間隣接情報を用いた配車システムにおける時空間深層学習による需要予測と需給ギャップ
- Authors: M. H. Rahman and S. M. Rifaat
- Abstract要約: 空間隣接情報を用いた配車システムにおいて,需要と需給ギャップを予測するための新しい時間的深層学習アーキテクチャを提案する。
開発したアーキテクチャは実世界のデータセットでテストされ、我々のモデルは従来の時系列モデルよりも優れています。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To reduce passenger waiting time and driver search friction, ride-hailing
companies need to accurately forecast spatio-temporal demand and supply-demand
gap. However, due to spatio-temporal dependencies pertaining to demand and
supply-demand gap in a ride-hailing system, making accurate forecasts for both
demand and supply-demand gap is a difficult task. Furthermore, due to
confidentiality and privacy issues, ride-hailing data are sometimes released to
the researchers by removing spatial adjacency information of the zones, which
hinders the detection of spatio-temporal dependencies. To that end, a novel
spatio-temporal deep learning architecture is proposed in this paper for
forecasting demand and supply-demand gap in a ride-hailing system with
anonymized spatial adjacency information, which integrates feature importance
layer with a spatio-temporal deep learning architecture containing
one-dimensional convolutional neural network (CNN) and zone-distributed
independently recurrent neural network (IndRNN). The developed architecture is
tested with real-world datasets of Didi Chuxing, which shows that our models
based on the proposed architecture can outperform conventional time-series
models (e.g., ARIMA) and machine learning models (e.g., gradient boosting
machine, distributed random forest, generalized linear model, artificial neural
network). Additionally, the feature importance layer provides an interpretation
of the model by revealing the contribution of the input features utilized in
prediction.
- Abstract(参考訳): 乗客待ち時間と運転者の検索摩擦を軽減するため、配車会社は時空間需要と供給需要ギャップを正確に予測する必要がある。
しかし、配車システムの需要と需給ギャップに関する時空間的依存関係のため、需要と需給ギャップの正確な予測が難しい。
さらに、機密性やプライバシーの問題から、時空間依存の検出を妨げるゾーンの空間的隣接情報を除去することで、配車データを研究者に公開することもある。
そこで本論文では,一次元畳み込みニューラルネットワーク(CNN)とゾーン独立型リカレントニューラルネットワーク(IndRNN)を含む時空間ディープラーニングアーキテクチャを特徴重層に統合した,匿名化された空間隣接情報を用いた配車システムの需要と需給ギャップを予測するための新しい時空間ディープラーニングアーキテクチャを提案する。
開発したアーキテクチャは、didi chuxingの実際のデータセットでテストされ、提案するアーキテクチャに基づくモデルは、従来の時系列モデル(例えばarima)や機械学習モデル(例えば、勾配ブースティングマシン、分散ランダムフォレスト、一般化線形モデル、ニューラルネットワーク)よりも優れています。
さらに、特徴重要層は、予測に使用される入力特徴の寄与を明らかにすることにより、モデルの解釈を提供する。
関連論文リスト
- 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) - A Generic Approach to Integrating Time into Spatial-Temporal Forecasting
via Conditional Neural Fields [1.7661845949769062]
本稿では,時間成分を予測モデルに統合する一般的な手法を提案する。
主要なアイデアは、時間成分から抽出された補助的特徴を表現するために条件付きニューラルネットワークを使用することである。
道路交通とセルラーネットワーク交通データセットの実験は,提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-05-11T14:20:23Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳(メタデータ) (2023-02-20T22:25:47Z) - STGIN: A Spatial Temporal Graph-Informer Network for Long Sequence
Traffic Speed Forecasting [8.596556653895028]
本研究では,長期交通パラメータ予測問題に対処する新しい時空間ニューラルネットワークアーキテクチャを提案する。
注意機構は、遠方の入力から重要な情報を失うことなく、長期的な予測性能を保証する可能性がある。
論文 参考訳(メタデータ) (2022-10-01T05:58:22Z) - Scalable Spatiotemporal Graph Neural Networks [14.415967477487692]
グラフニューラルネットワーク(GNN)は、しばしば予測アーキテクチャのコアコンポーネントである。
ほとんどの時間前GNNでは、計算複雑性はグラフ内のリンクの回数のシーケンスの長さの2乗係数までスケールする。
本稿では,時間的・空間的両方のダイナミックスを効率的に符号化するスケーラブルなアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-09-14T09:47:38Z) - An Adaptive Federated Relevance Framework for Spatial Temporal Graph
Learning [14.353798949041698]
本稿では,空間時間グラフ学習のための適応型フェデレーション関連フレームワークであるFedRelを提案する。
フレームワークのコアとなるDynamic Inter-Intra Graph (DIIG)モジュールは、これらの機能を使用して空間時間グラフを生成することができる。
局所的なデータプライバシーを維持しながらモデルの一般化能力と性能を向上させるため、関連性駆動型フェデレーション学習モジュールを設計する。
論文 参考訳(メタデータ) (2022-06-07T16:12:17Z) - 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) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - Spatio-Temporal Functional Neural Networks [11.73856529960872]
本稿では,多くの研究者によって有効性が証明された時間回帰モデルであるニューラル・ファンクショナル・ネットワーク(FNN)の2つの新しい拡張を提案する。
提案したモデルは気象分野における実用的で挑戦的な降水予測問題を解決するために展開される。
論文 参考訳(メタデータ) (2020-09-11T21:32:35Z) - 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。