Fugu-MT 論文翻訳(概要): Modeling Heterogeneous Relations across Multiple Modes for Potential Crowd Flow Prediction

論文の概要: Modeling Heterogeneous Relations across Multiple Modes for Potential Crowd Flow Prediction

arxiv url: http://arxiv.org/abs/2101.06954v1
Date: Mon, 18 Jan 2021 09:31:30 GMT
ステータス: 処理完了
システム内更新日: 2021-03-27 05:55:03.444973
Title: Modeling Heterogeneous Relations across Multiple Modes for Potential Crowd Flow Prediction
Title（参考訳）: 群流予測のための複数モード間の不均一関係のモデル化
Authors: Qiang Zhou, Jingjing Gu, Xinjiang Lu, Fuzhen Zhuang, Yanchao Zhao, Qiuhong Wang, Xiao Zhang
Abstract要約: そこで我々は,新しい計画サイトにおいて,あるモードで群集の流れを予測するためのデータ駆動手法moherを提案する。具体的には,まず地理的近接性を調べることにより,対象部位の近傍領域を同定する。そして、これらの不均一な関係を集約するために、相互関係GCNを考案し、相関だけでなく、異なる移動モードの違いも学習する。
参考スコア（独自算出の注目度）: 26.92887395256311
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Potential crowd flow prediction for new planned transportation sites is a fundamental task for urban planners and administrators. Intuitively, the potential crowd flow of the new coming site can be implied by exploring the nearby sites. However, the transportation modes of nearby sites (e.g. bus stations, bicycle stations) might be different from the target site (e.g. subway station), which results in severe data scarcity issues. To this end, we propose a data driven approach, named MOHER, to predict the potential crowd flow in a certain mode for a new planned site. Specifically, we first identify the neighbor regions of the target site by examining the geographical proximity as well as the urban function similarity. Then, to aggregate these heterogeneous relations, we devise a cross-mode relational GCN, a novel relation-specific transformation model, which can learn not only the correlations but also the differences between different transportation modes. Afterward, we design an aggregator for inductive potential flow representation. Finally, an LTSM module is used for sequential flow prediction. Extensive experiments on real-world data sets demonstrate the superiority of the MOHER framework compared with the state-of-the-art algorithms.
Abstract（参考訳）: 都市計画立案者や管理者にとって、新しい交通施設のクラウドフロー予測は基本的な課題である。直感的には、近くの場所を探索することで、新しい来訪地の潜在的な群集の流れを示唆することができる。しかし、近隣の交通モード(例:交通モード)は異なる。バスの駅、自転車の駅など)は対象地(例)と異なる場合がある。地下鉄の駅) 深刻なデータ不足の問題を引き起こしますそこで本研究では,新しい計画サイトにおいて,クラウドフローを予測可能なデータ駆動型手法であるmoherを提案する。具体的には,まず,地理的な近接性と都市機能の類似性を調べることにより,対象地近傍の地域を識別する。次に,これらの不均一な関係を集約するために,相関だけでなく,異なる移動モード間の差異も学習可能な,新しい関係特異的変換モデルである交叉モード関係性gcnを考案する。その後,誘導電位流表現のためのアグリゲータを設計する。最後に、LTSMモジュールがシーケンシャルフロー予測に使用される。実世界のデータセットに関する大規模な実験は、最先端のアルゴリズムと比較してMOHERフレームワークの優位性を示している。

関連論文リスト

UMOD: A Novel and Effective Urban Metro Origin-Destination Flow Prediction Method [18.026364560086954]
3つのコアモジュールからなる有効都市流予測法(UMOD)を提案する。データ埋め込みモジュールは、生のODペアの入力を隠れた空間表現に投影する。時間的および空間的関係モジュールは、時間的および空間的関係モジュールによって処理され、ペア内およびペア内OD-時間的依存関係の両方をキャプチャする。
論文参考訳（メタデータ） (2024-09-08T01:44:46Z)
Harnessing LLMs for Cross-City OD Flow Prediction [5.6685153523382015]
大規模言語モデル(LLM)を用いた都市間原位置推定(OD)フロー予測の新しい手法を提案する。我々のアプローチは,LLMの高度な意味理解と文脈学習能力を利用して,異なる特徴を持つ都市間のギャップを埋める。我々の新しいフレームワークは、ソース都市からODトレーニングデータセットを収集し、LSMを指導し、ターゲット都市における宛先POIを予測し、予測された宛先POIに最も合う場所を特定する4つの主要なコンポーネントから構成される。
論文参考訳（メタデータ） (2024-09-05T23:04:28Z)
Individualized Federated Learning for Traffic Prediction with Error Driven Aggregation [8.495633193471853]
フェデレートラーニング(Federated Learning)は、トラフィック予測のための有望なテクニックとして登場した。現在のFLTPフレームワークにはリアルタイムモデル更新スキームがない。個人化されたリアルタイム・フェデレーション学習方式であるNeighborFLを提案する。
論文参考訳（メタデータ） (2024-07-17T00:42:47Z)
Urban Regional Function Guided Traffic Flow Prediction [117.75679676806296]
メタデータとして各領域の機能を利用するPOI-MetaBlockという新しいモジュールを提案する。我々のモジュールはトラフィックフロー予測の性能を大幅に改善し、メタデータを使用する最先端の手法より優れています。
論文参考訳（メタデータ） (2023-03-17T06:03:49Z)
Large-Scale Traffic Congestion Prediction based on Multimodal Fusion and Representation Mapping [5.893431681364435]
渋滞要因を分析して交通渋滞を判断する上で最も重要な課題の一つである。交通渋滞を予測するため、従来型および機械学習ベースのモデルが導入されている。本稿では,畳み込みニューラルネットワークに基づく新しいエンドツーエンドフレームワークを提案する。
論文参考訳（メタデータ） (2022-08-23T16:07:28Z)
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)
Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文参考訳（メタデータ） (2022-06-29T07:49:48Z)
Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation [99.54200992904721]
我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。 ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。 DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
論文参考訳（メタデータ） (2021-07-02T10:11:51Z)
Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文参考訳（メタデータ） (2020-07-23T14:31:25Z)
Probabilistic Crowd GAN: Multimodal Pedestrian Trajectory Prediction using a Graph Vehicle-Pedestrian Attention Network [12.070251470948772]
本稿では,確率的集団GANが確率的マルチモーダル予測をどうやって生成できるかを示す。ソーシャルインタラクションをモデル化するグラフ車両歩行者注意ネットワーク(GVAT)も提案する。本研究では,軌道予測手法の既存の状況の改善を実証し,集団間相互作用の真のマルチモーダル性と不確実性を直接モデル化する方法について述べる。
論文参考訳（メタデータ） (2020-06-23T11:25:16Z)
Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction [116.66657468425645]
本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
論文参考訳（メタデータ） (2020-01-14T16:47:54Z)

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。