論文の概要: A Survey on Spatial and Spatiotemporal Prediction Methods
- arxiv url: http://arxiv.org/abs/2012.13384v1
- Date: Thu, 24 Dec 2020 18:17:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 10:59:37.700074
- Title: A Survey on Spatial and Spatiotemporal Prediction Methods
- Title（参考訳）: 時空間・時空間予測法に関する調査
- Authors: Zhe Jiang
- Abstract要約: 本稿では,空間時間予測の原理と手法を体系的に検討する。
我々は、それらが対処する主要な課題によって分類された方法の分類を提供する。
- 参考スコア（独自算出の注目度）: 4.353444564058085
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the advancement of GPS and remote sensing technologies, large amounts of
geospatial and spatiotemporal data are being collected from various domains,
driving the need for effective and efficient prediction methods. Given spatial
data samples with explanatory features and targeted responses (categorical or
continuous) at a set of locations, the problem aims to learn a model that can
predict the response variable based on explanatory features. The problem is
important with broad applications in earth science, urban informatics,
geosocial media analytics and public health, but is challenging due to the
unique characteristics of spatiotemporal data, including spatial and temporal
autocorrelation, spatial heterogeneity, temporal non-stationarity, limited
ground truth, and multiple scales and resolutions. This paper provides a
systematic review on principles and methods in spatial and spatiotemporal
prediction. We provide a taxonomy of methods categorized by the key challenge
they address. For each method, we introduce its underlying assumption,
theoretical foundation, and discuss its advantages and disadvantages. Our goal
is to help interdisciplinary domain scientists choose techniques to solve their
problems, and more importantly, to help data mining researchers to understand
the main principles and methods in spatial and spatiotemporal prediction and
identify future research opportunities.
- Abstract（参考訳）: GPSやリモートセンシング技術の進歩により、様々な領域から大量の地理空間的・時空間的データが収集され、効率的かつ効率的な予測方法の必要性が高まっている。
説明的特徴と対象とする応答(カテゴリー的あるいは連続的)が一組の場所で与えられた空間データサンプルから,説明的特徴に基づいて応答変数を予測できるモデルを学習することを目的とする。
この問題は、地球科学、都市情報学、ジオソーシャルメディア分析、公衆衛生における幅広い応用において重要であるが、空間的・時間的自己相関、空間的不均質性、時間的非定常性、限られた地上的真理、複数のスケールと解像度など、時空間的データのユニークな特徴のために困難である。
本稿では,空間的および時空間的予測の原理と手法を体系的に検討する。
我々は、それらが対処する主要な課題によって分類された方法の分類を提供する。
それぞれの方法について、基礎となる仮定、理論的基礎を導入し、その利点と欠点について議論する。
我々のゴールは、学際的なドメイン科学者が問題を解決する技術を選ぶのを助けることであり、さらに重要なことは、データマイニング研究者が空間的および時空間予測における主要な原則や方法を理解し、将来の研究機会を特定するのを助けることである。
関連論文リスト
- Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
オントロジはドメイン知識とメタデータを表現するために広く使われている。
1つの簡単な解決策は、統計分析と機械学習を統合することである。
埋め込みに関する多くの論文が出版されているが、体系的なレビューの欠如により、研究者はこの分野の包括的な理解を妨げている。
論文 参考訳（メタデータ） (2024-06-16T14:49:19Z) - A Survey of Generative Techniques for Spatial-Temporal Data Mining [93.55501980723974]
本稿では,空間時間データマイニングにおける生成技術の統合に焦点を当てる。
本稿では,生成技術に基づく時空間法を包括的に分析する。
また、空間時間データマイニングパイプライン用に特別に設計された標準化されたフレームワークも導入されている。
論文 参考訳（メタデータ） (2024-05-15T12:07:43Z) - GeoAI Reproducibility and Replicability: a computational and spatial perspective [3.46924652750064]
本稿では,このトピックを計算的,空間的両面から詳細に分析することを目的とする。
まず,GeoAI研究を再現するための主要な目標,すなわち検証(再現性),類似あるいは新しい問題の解法(再現性)の学習と適応,研究成果の一般化可能性(再現性)について検討する。
次に、GeoAI研究におけるR&Rの欠如の原因となる要因について、(1)トレーニングデータの選択と使用、(2)GeoAIモデル設計、トレーニング、デプロイメント、推論プロセスに存在する不確実性について論じる。
論文 参考訳（メタデータ） (2024-04-15T19:43:16Z) - Causality for Earth Science -- A Review on Time-series and Spatiotemporal Causality Methods [2.790669554650619]
本稿では、因果的発見と因果的推論の概要を述べ、根底にある因果的仮定を説明し、評価手法を列挙する。
本論文は,時系列および時間因果解析に導入された最先端の手法と,その強みと限界を取り入れたものである。
論文 参考訳（メタデータ） (2024-04-03T14:33:23Z) - Challenges in data-based geospatial modeling for environmental research
and practice [19.316860936437823]
機械学習(ML)を用いたデータに基づく地理空間モデリングが環境研究で人気を博している。
本研究では,不均衡データ,空間自己相関,予測誤差,モデル一般化,ドメイン特異性,不確実性推定など,地理空間モデリングにおける一般的なニュアンスについて検討する。
論文 参考訳（メタデータ） (2023-11-18T12:30:49Z) - Large Models for Time Series and Spatio-Temporal Data: A Survey and
Outlook [95.32949323258251]
時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。
大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
論文 参考訳（メタデータ） (2023-10-16T09:06:00Z) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳（メタデータ） (2023-08-24T16:20:00Z) - Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。
従来の手法は手作りの機能と機械学習技術に依存している。
HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
論文 参考訳（メタデータ） (2023-08-02T12:04:28Z) - Graph Neural Network for spatiotemporal data: methods and applications [7.612070518526342]
グラフニューラルネットワーク(GNN)は、互いに依存したデータを理解する強力なツールとして登場した。
本稿では、時間領域におけるGNNの技術と応用について概観する。
論文 参考訳（メタデータ） (2023-05-30T02:27:17Z) - Using satellite imagery to understand and promote sustainable
development [87.72561825617062]
持続可能な開発成果を理解するために衛星画像を用いた成長する文献を合成する。
我々は、重要な人間関係の結果と、衛星画像の量の増大と解像度について、地上データの質を定量化する。
不足およびノイズの多いトレーニングデータの観点から、モデル構築に対する最近の機械学習アプローチをレビューする。
論文 参考訳（メタデータ） (2020-09-23T05:20:00Z) - A Novel Framework for Spatio-Temporal Prediction of Environmental Data
Using Deep Learning [0.0]
本稿では,深層学習を用いた気候・環境データの分解時間予測の枠組みを紹介する。
具体的には,完全時間信号の再構成を可能にする正規格子上に空間的にマッピング可能な関数を導入する。
実世界のシミュレーションデータへの応用は,提案フレームワークの有効性を示す。
論文 参考訳（メタデータ） (2020-07-23T07:44:04Z)
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。