論文の概要: A novel activity pattern generation incorporating deep learning for transport demand models

• arxiv url: http://arxiv.org/abs/2104.02278v1
• Date: Tue, 6 Apr 2021 04:07:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-07 13:51:51.866541
• Title: A novel activity pattern generation incorporating deep learning for transport demand models
• Title（参考訳）: 輸送需要モデルのための深層学習を取り入れた新しい活動パターン生成
• Authors: Danh T. Phan and Hai L. Vu
• Abstract要約: 本稿では,深層学習と旅行領域知識を融合した新しいアクティビティパターン生成フレームワークを提案する。 アクティビティタイプを分類するために,エンティティ埋め込みとランダムフォレストモデルを用いたディープニューラルネットワークを開発した。 その結果,作業開始時刻と終了時刻,学校活動の精度が向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Activity generation plays an important role in activity-based demand modelling systems. While machine learning, especially deep learning, has been increasingly used for mode choice and traffic flow prediction, much less research exploiting the advantage of deep learning for activity generation tasks. This paper proposes a novel activity pattern generation framework by incorporating deep learning with travel domain knowledge. We model each activity schedule as one primary activity tour and several secondary activity tours. We then develop different deep neural networks with entity embedding and random forest models to classify activity type, as well as to predict activity times. The proposed framework can capture the activity patterns for individuals in both training and validation sets. Results show high accuracy for the start time and end time of work and school activities. The framework also replicates the start time patterns of stop-before and stop-after primary work activity well. This provides a promising direction to deploy advanced machine learning methods to generate more reliable activity-travel patterns for transport demand systems and their applications.
• Abstract（参考訳）: 活動に基づく需要モデリングシステムにおいて,活動生成は重要な役割を果たす。 機械学習、特にディープラーニングはモード選択とトラフィックフロー予測にますます使われているが、アクティビティ生成タスクにおけるディープラーニングの利点を利用する研究は少ない。 本稿では,旅行ドメイン知識に深層学習を取り入れた新しい活動パターン生成フレームワークを提案する。 それぞれの活動スケジュールを,一次活動ツアーといくつかの二次活動ツアーとしてモデル化する。 次に、活動タイプを分類し、活動時間を予測するために、エンティティ埋め込みとランダムフォレストモデルを用いた異なるディープニューラルネットワークを開発する。 提案されたフレームワークは、トレーニングセットと検証セットの両方で個人のアクティビティパターンをキャプチャできる。 その結果,作業開始時刻と終了時刻,学校活動の精度が向上した。 フレームワークはまた、停止前と停止後の一次作業の開始パターンをうまく再現する。 これにより、高度な機械学習メソッドをデプロイして、トランスポート需要システムとそのアプリケーションのためのより信頼性の高いアクティビティトラバーパターンを生成する、有望な方向を提供する。

関連論文リスト

• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• SelfAct: Personalized Activity Recognition based on Self-Supervised and Active Learning [0.688204255655161]
  SelfActは、ウェアラブルおよびモバイルデバイス上でのヒューマンアクティビティ認識(HAR)のための新しいフレームワークである。 自己教師とアクティブな学習を組み合わせることで、アクティビティ実行のイントラやインターバリアビリティといった問題を軽減します。 公開されている2つのHARデータセットに関する実験は、SelfActが完全に教師付きアプローチのそれに近い、あるいはそれ以上の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-19T09:39:11Z)
• Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
  AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。 データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
  論文  参考訳（メタデータ） (2022-11-27T13:07:14Z)
• Self-supervised Pretraining with Classification Labels for Temporal Activity Detection [54.366236719520565]
  時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。 検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。 本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T18:59:28Z)
• Parrot: Data-Driven Behavioral Priors for Reinforcement Learning [79.32403825036792]
  そこで本研究では,実験で得られた複雑なインプット・アウトプット関係を事前に学習する手法を提案する。 RLエージェントが新規な動作を試す能力を阻害することなく、この学習が新しいタスクを迅速に学習するのにどのように役立つかを示す。
  論文  参考訳（メタデータ） (2020-11-19T18:47:40Z)
• A Survey on Self-supervised Pre-training for Sequential Transfer Learning in Neural Networks [1.1802674324027231]
  移動学習のための自己教師付き事前学習は、ラベルのないデータを用いて最先端の結果を改善する技術として、ますます人気が高まっている。 本稿では,自己指導型学習と伝達学習の分類学の概要を述べるとともに,各領域にまたがる事前学習タスクを設計するためのいくつかの顕著な手法を強調した。
  論文  参考訳（メタデータ） (2020-07-01T22:55:48Z)
• Enabling Edge Cloud Intelligence for Activity Learning in Smart Home [1.3858051019755284]
  エッジクラウドアーキテクチャに基づく新しいアクティビティ学習フレームワークを提案する。 我々は,1つのスマートホーム環境における活動認識と予測に時間的特徴を利用する。
  論文  参考訳（メタデータ） (2020-05-14T11:43:20Z)
• Revisiting Few-shot Activity Detection with Class Similarity Control [107.79338380065286]
  本稿では,提案回帰に基づく数ショットの時間的活動検出のためのフレームワークを提案する。 我々のモデルはエンドツーエンドのトレーニングが可能で、数ショットのアクティビティと未トリミングなテストビデオのフレームレートの違いを考慮しており、さらに数ショットのサンプルの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2020-03-31T22:02:38Z)
• ZSTAD: Zero-Shot Temporal Activity Detection [107.63759089583382]
  本研究では,ゼロショット時間的活動検出(ZSTAD)と呼ばれる新たなタスク設定を提案する。 このソリューションのアーキテクチャとして,R-C3Dに基づくエンドツーエンドのディープネットワークを設計する。 THUMOS14とCharadesデータセットの両方の実験は、目に見えない活動を検出するという点で有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-03-12T02:40:36Z)

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。