論文の概要: Listening to the city, attentively: A Spatio-Temporal Attention Boosted Autoencoder for the Short-Term Flow Prediction Problem

• arxiv url: http://arxiv.org/abs/2103.00983v1
• Date: Mon, 1 Mar 2021 13:17:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-03 17:24:15.609393
• Title: Listening to the city, attentively: A Spatio-Temporal Attention Boosted Autoencoder for the Short-Term Flow Prediction Problem
• Title（参考訳）: 都市に耳を傾ける:短期流れ予測問題のための時空間的注意強化オートエンコーダ
• Authors: Stefano Fiorini, Michele Ciavotta, Andrea Maurino
• Abstract要約: マルチアテンション(空間的および時間的)を備えたSTREED-Netと呼ばれるフレームワークを提案し、高レベルの空間的および時間的特徴をより良くマイニングする。 都市が分断された異なる地域の流入と流出を予測するために、3つの実際のデータセットの実験を行います。
• 参考スコア（独自算出の注目度）: 0.9625436987364908
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the importance of studying traffic flows and making predictions on alternative mobility (sharing services) has become increasingly important, as accurate and timely information on the travel flow is important for the successful implementation of systems that increase the quality of sharing services. This need has been accentuated by the current health crisis that requires alternative transport mobility such as electric bike and electric scooter sharing. Considering the new approaches in the world of deep learning and the difficulty due to the strong spatial and temporal dependence of this problem, we propose a framework, called STREED-Net, with multi-attention (Spatial and Temporal) able to better mining the high-level spatial and temporal features. We conduct experiments on three real datasets to predict the Inflow and Outflow of the different regions into which the city has been divided. The results indicate that the proposed STREED-Net model improves the state-of-the-art for this problem.
• Abstract（参考訳）: 近年,交通流の研究や代替モビリティ(共有サービス)の予測の重要性が増している。これは,共有サービスの質を高めるシステムの実現に,交通流の正確かつタイムリーな情報が重要であるためである。 このニーズは、電動自転車や電動スクーターの共有などの代替輸送モビリティを必要とする現在の健康危機によって強調されています。 深層学習の世界での新しいアプローチと、この問題の強い空間的および時間的依存による難しさを考慮して、高レベルの空間的および時間的特徴をより良くマイニングできるマルチアテンション(空間的および時間的)を備えたSTREED-Netと呼ばれるフレームワークを提案します。 都市が分断された異なる地域の流入と流出を予測するために、3つの実際のデータセットの実験を行います。 提案したSTREED-Netモデルにより,この問題の最先端化が図られている。

関連論文リスト

• A Predictive and Optimization Approach for Enhanced Urban Mobility Using Spatiotemporal Data [0.0]
  本研究では,機械学習アルゴリズムと実交通情報を組み合わせた都市移動性向上手法を提案する。 ニューヨーク市の黄色いタクシー旅行のデータを用いて,旅行時間と渋滞解析の予測モデルを構築した。 本研究は、高度データ駆動方式による都市渋滞の低減と交通効率の向上を目的とした継続的な取り組みに寄与する。
  論文  参考訳（メタデータ） (2024-10-07T16:16:49Z)
• 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)
• Multi-graph Spatio-temporal Graph Convolutional Network for Traffic Flow Prediction [0.5551832942032954]
  毎日の交通量予測は、ネットワーク全体の料金所で依然として課題に直面している。 本稿では,流路時間深度学習による日中交通流ハイウェイ領域の相関予測手法を提案する。 本手法は,ビジネスにおけるベースラインや実践的利益よりも予測精度が向上したことを示す。
  論文  参考訳（メタデータ） (2023-08-10T14:20:43Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• A Spatial-Temporal Attention Multi-Graph Convolution Network for Ride-Hailing Demand Prediction Based on Periodicity with Offset [9.897431292540393]
  ライドシェアリングは都市交通の中心となっている。 配車サービスの効率を向上させるためには、交通需要の正確な予測が根本的な課題である。 本稿では,ネットワーク構造とデータセットの定式化の両面からこの問題に対処する。
  論文  参考訳（メタデータ） (2022-03-23T16:03:55Z)
• Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel Attention-Based Spatio-Temporal Graph Convolutional Networks [4.318655493189584]
  建設工事の影響下での交通速度予測モデルを提案する。 このモデルは、強力なアテンションベースの時間グラフ畳み込みアーキテクチャに基づいているが、様々なチャネルを利用して異なる情報ソースを統合する。 このモデルは、2つのベンチマークデータセットと、北バージニアの散らかった道路の角で収集した新しいデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-10-04T16:07:37Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)
• Hybrid Spatio-Temporal Graph Convolutional Network: Improving Traffic Prediction with Navigation Data [7.394726159860848]
  本稿では,今後の交通量のデータを活用することで,将来の走行時間を「推定」できるHybrid Spatio-Temporal Graph Convolutional Network (H-STGCN)を提案する。 以上の結果から,H-STGCNは様々な指標,特に非再帰性渋滞の予測において,最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-06-23T03:25:48Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。