論文の概要: Modeling Censored Mobility Demand through Quantile Regression Neural Networks

• arxiv url: http://arxiv.org/abs/2104.01214v1
• Date: Fri, 2 Apr 2021 19:24:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 14:21:42.567911
• Title: Modeling Censored Mobility Demand through Quantile Regression Neural Networks
• Title（参考訳）: 量子回帰ニューラルネットワークによるモビリティ需要のモデル化
• Authors: Inon Peled, Filipe Rodrigues, Francisco C. Pereira
• Abstract要約: CQRNNは検閲無意識モデルとパラメトリック検閲モデルの両方よりも,意図した分布を推定できることを示す。 結果は、CQRNNは検閲なしモデルとパラメトリック検閲モデルの両方よりも意図された分布を推定できることを示している。
• 参考スコア（独自算出の注目度）: 21.528321119061694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shared mobility services require accurate demand models for effective service planning. On one hand, modeling the full probability distribution of demand is advantageous, because the full uncertainty structure preserves valuable information for decision making. On the other hand, demand is often observed through usage of the service itself, so that the observations are censored, as they are inherently limited by available supply. Since the 1980s, various works on Censored Quantile Regression models have shown them to perform well under such conditions, and in the last two decades, several works have proposed to implement them flexibly through Neural Networks (CQRNN). However, apparently no works have yet applied CQRNN in the Transport domain. We address this gap by applying CQRNN to datasets from two shared mobility providers in the Copenhagen metropolitan area in Denmark, as well as common synthetic baseline datasets. The results show that CQRNN can estimate the intended distributions better than both censorship-unaware models and parametric censored models.
• Abstract（参考訳）: 共有モビリティサービスは、効果的なサービス計画のための正確な需要モデルを必要とする。 一方、完全な不確実性構造は意思決定に有用な情報を保持するため、需要の完全な確率分布をモデル化することが有利である。 一方、需要はサービス自体の使用によってしばしば観測されるため、利用可能な供給によって本質的に制限されるため、観察は検閲される。 1980年代以降、Censored Quantile Regressionモデルに関する様々な研究がそのような条件下でうまく機能することが示され、過去20年間、ニューラルネットワーク(CQRNN)を通じて柔軟に実装することを提案した。 しかしながら、トランスポートドメインにCQRNNを適用する作業はまだ行われていないようだ。 デンマークのコペンハーゲン大都市圏の2つの共有モビリティプロバイダのデータセットと、一般的な合成ベースラインデータセットにCQRNNを適用することで、このギャップに対処する。 その結果、CQRNNは検閲無意識モデルとパラメトリック検閲モデルの両方よりも、意図した分布を推定できることがわかった。

関連論文リスト

• Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
  Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。 CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
  論文  参考訳（メタデータ） (2024-02-27T08:47:19Z)
• Neural Additive Models for Location Scale and Shape: A Framework for Interpretable Neural Regression Beyond the Mean [1.0923877073891446]
  ディープニューラルネットワーク(DNN)は、様々なタスクで非常に効果的であることが証明されている。 この成功にもかかわらず、DNNの内部構造はしばしば透明ではない。 この解釈可能性の欠如は、本質的に解釈可能なニューラルネットワークの研究の増加につながった。
  論文  参考訳（メタデータ） (2023-01-27T17:06:13Z)
• Characterizing and Understanding the Behavior of Quantized Models for Reliable Deployment [32.01355605506855]
  量子化対応トレーニングは、標準、逆数、ミックスアップトレーニングよりも安定したモデルを生成することができる。 診断は、しばしばトップ1とトップ2の出力確率に近づき、$Margin$は、相違点を区別する他の不確実性指標よりも優れた指標である。 我々は、量子化されたモデルをさらに研究するための新しいベンチマークとして、コードとモデルをオープンソース化した。
  論文  参考訳（メタデータ） (2022-04-08T11:19:16Z)
• Combining Discrete Choice Models and Neural Networks through Embeddings: Formulation, Interpretability and Performance [10.57079240576682]
  本研究では、ニューラルネットワーク(ANN)を用いた理論とデータ駆動選択モデルを組み合わせた新しいアプローチを提案する。 特に、分類的または離散的説明変数を符号化するために、埋め込みと呼ばれる連続ベクトル表現を用いる。 我々のモデルは最先端の予測性能を提供し、既存のANNモデルよりも優れ、必要なネットワークパラメータの数を劇的に削減します。
  論文  参考訳（メタデータ） (2021-09-24T15:55:31Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)
• RethinkCWS: Is Chinese Word Segmentation a Solved Task? [81.11161697133095]
  中国語の単語(CWS)システムの性能は、ディープニューラルネットワークの急速な発展とともに、徐々に高水準に達している。 本稿では、私たちが達成した事柄の株式を取得し、CWSタスクに残されている事柄を再考する。
  論文  参考訳（メタデータ） (2020-11-13T11:07:08Z)
• Interpretable Data-Driven Demand Modelling for On-Demand Transit Services [6.982614422666432]
  本研究では,DAレベルにおけるオンデマンド交通(ODT)サービスのための旅行・流通モデルを開発した。 その結果, 商業・工業用地利用型と高密度住宅用地利用型との間には, より高い旅行分布レベルが期待できることがわかった。
  論文  参考訳（メタデータ） (2020-10-27T20:48:10Z)
• Neural Additive Models: Interpretable Machine Learning with Neural Nets [77.66871378302774]
  ディープニューラルネットワーク(DNN)は、さまざまなタスクにおいて優れたパフォーマンスを達成した強力なブラックボックス予測器である。 本稿では、DNNの表現性と一般化した加法モデルの固有知性を組み合わせたニューラル付加モデル(NAM)を提案する。 NAMは、ニューラルネットワークの線形結合を学び、それぞれが単一の入力機能に付随する。
  論文  参考訳（メタデータ） (2020-04-29T01:28:32Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)
• Estimating Latent Demand of Shared Mobility through Censored Gaussian Processes [11.695095006311176]
  輸送需要は供給に大きく依存しており、特に可用性が制限される共有輸送サービスにおいてである。 観測された需要は利用可能な供給量よりも高くはならないため、歴史的輸送データは一般的に、真の根底にある需要パターンのバイアスのある、あるいは検閲されたバージョンを表す。 本稿では,検閲された可能性関数を考案した検閲対応需要モデリングの汎用手法を提案する。
  論文  参考訳（メタデータ） (2020-01-21T09:26:16Z)

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。