論文の概要: Modelling Urban Dynamics with Multi-Modal Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2104.14633v1
• Date: Thu, 29 Apr 2021 20:00:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 13:48:00.511719
• Title: Modelling Urban Dynamics with Multi-Modal Graph Convolutional Networks
• Title（参考訳）: マルチモーダルグラフ畳み込みネットワークによる都市動態のモデル化
• Authors: Krittika D'Silva, Jordan Cambe, Anastasios Noulas, Cecilia Mascolo, Adam Waksman
• Abstract要約: 都市部の人気と成長をより良くモデル化することを目的とした新しいディープラーニングフレームワークを提案します。 空間的特徴とトポロジカル特徴の両方を時間モデルに統合し、その後のタイムステップで会場の需要を予測するディープラーニングアーキテクチャを紹介します。 最新のディープラーニングモデルと比較して、私たちのモデルはRSMEをロンドンで28%、パリで13%削減します。
• 参考スコア（独自算出の注目度）: 8.767281392253976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modelling the dynamics of urban venues is a challenging task as it is multifaceted in nature. Demand is a function of many complex and nonlinear features such as neighborhood composition, real-time events, and seasonality. Recent advances in Graph Convolutional Networks (GCNs) have had promising results as they build a graphical representation of a system and harness the potential of deep learning architectures. However, there has been limited work using GCNs in a temporal setting to model dynamic dependencies of the network. Further, within the context of urban environments, there has been no prior work using dynamic GCNs to support venue demand analysis and prediction. In this paper, we propose a novel deep learning framework which aims to better model the popularity and growth of urban venues. Using a longitudinal dataset from location technology platform Foursquare, we model individual venues and venue types across London and Paris. First, representing cities as connected networks of venues, we quantify their structure and note a strong community structure in these retail networks, an observation that highlights the interplay of cooperative and competitive forces that emerge in local ecosystems of retail businesses. Next, we present our deep learning architecture which integrates both spatial and topological features into a temporal model which predicts the demand of a venue at the subsequent time-step. Our experiments demonstrate that our model can learn spatio-temporal trends of venue demand and consistently outperform baseline models. Relative to state-of-the-art deep learning models, our model reduces the RSME by ~ 28% in London and ~ 13% in Paris. Our approach highlights the power of complex network measures and GCNs in building prediction models for urban environments. The model could have numerous applications within the retail sector to better model venue demand and growth.
• Abstract（参考訳）: 都市会場のダイナミクスのモデル化は、自然界では多面的であるため、難しい課題である。 需要は、近隣構成、リアルタイムイベント、季節性など、多くの複雑で非線形な特徴の関数である。 グラフ畳み込みネットワーク(GCN)の最近の進歩は、システムのグラフィカルな表現を構築し、ディープラーニングアーキテクチャの可能性を活用することで、有望な成果を上げている。 しかし、ネットワークの動的依存関係をモデル化するための時間的設定では、GCNを使用する作業は限られている。 さらに、都市環境の文脈では、場所需要分析と予測を支援するために動的GCNを用いた以前の作業は行われていない。 本稿では,都市会場の人気と成長をモデル化することを目的とした,新しい深層学習フレームワークを提案する。 位置技術プラットフォームfoursquareの縦長データセットを使用して、ロンドンとパリをまたいで、個々の会場や会場タイプをモデル化します。 まず、都市を会場の接続ネットワークとして表現し、その構造を定量化し、これらの小売ネットワークにおける強力なコミュニティ構造に注目する。 次に,空間的特徴と位相的特徴の両方を時間モデルに統合したディープラーニングアーキテクチャを提案する。 我々の実験は,会場需要の時空間的傾向を学習し,ベースラインモデルより一貫して優れていることを示す。 最先端のディープラーニングモデルと比較して、私たちのモデルはRSMEをロンドンで約28%、パリで約13%削減します。 本手法は,都市環境予測モデル構築における複雑なネットワーク対策とGCNの力を強調する。 このモデルは、店舗の需要と成長をより良くモデル化するために、小売部門内で多くの応用を行うことができる。

関連論文リスト

• Joint Estimation and Prediction of City-wide Delivery Demand: A Large Language Model Empowered Graph-based Learning Approach [40.357070798871675]
  電子商取引と都市化は、都市部における配送業務を著しく強化した。 データ駆動予測手法、特に機械学習技術を利用した手法がこれらの問題に対処するために登場した。 本稿では,この問題をグラフベースのグラフ学習タスクとして定式化する。
  論文  参考訳（メタデータ） (2024-08-30T12:56:17Z)
• A Deep Learning Representation of Spatial Interaction Model for Resilient Spatial Planning of Community Business Clusters [4.8051028509814575]
  本稿では,コミュニティビジネスクラスタと取引エリア間の訪問フローを予測するためのSIM-GATモデルを提案する。 グラフベースのディープラーニングモデル、すなわちGraph AttenTion Network(GAT)は、ビジネスのクラスタと相互依存性をキャプチャするために使用される。
  論文  参考訳（メタデータ） (2024-01-09T23:42:21Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)
• INTERN: A New Learning Paradigm Towards General Vision [117.3343347061931]
  我々はInterNという新しい学習パラダイムを開発した。 複数の段階の複数のソースからの監視信号を用いて学習することにより、トレーニング対象のモデルは強力な一般化性を生み出す。 ほとんどの場合、ターゲットドメインのトレーニングデータの10%しか適応していないモデルが、完全なデータセットでトレーニングされたトレーニングデータよりも優れています。
  論文  参考訳（メタデータ） (2021-11-16T18:42:50Z)
• Dynamically Grown Generative Adversarial Networks [111.43128389995341]
  本稿では、ネットワークアーキテクチャとそのパラメータを自動化とともに最適化し、トレーニング中にGANを動的に成長させる手法を提案する。 本手法はアーキテクチャ探索手法を勾配に基づく訓練とインターリーブステップとして組み込んで,ジェネレータと識別器の最適アーキテクチャ成長戦略を定期的に探究する。
  論文  参考訳（メタデータ） (2021-06-16T01:25:51Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)
• Modelling Cooperation and Competition in Urban Retail Ecosystems with Complex Network Metrics [8.767281392253976]
  まず,各地域における新事業の役割を検討するためのモデリングフレームワークを提案する。 位置技術プラットフォームfoursquareの縦長データセットを使って、世界中の26の主要都市にまたがる新しい会場の影響をモデル化する。 次に、データ駆動のメトリクスを考案し、その周辺の小売業者に対する新しい会場の影響に関する第一次相関を捉えます。 最後に、新しい会場が地域の小売エコシステムに与える影響を予測するために、教師付き機械学習モデルを構築します。
  論文  参考訳（メタデータ） (2021-04-28T19:18:23Z)
• Dynamic Network Embedding Survey [11.742863376032112]
  本稿では,動的ネットワークの埋め込みに関する調査を行う。 動的ネットワークのための2つの基本データモデル、すなわち離散モデルと連続モデルを提案する。 典型的な学習モデルによって分類階層を洗練させる分類法を構築する。
  論文  参考訳（メタデータ） (2021-03-29T09:27:53Z)
• A Context Integrated Relational Spatio-Temporal Model for Demand and Supply Forecasting [22.010040988816137]
  我々は、コンテキスト統合グラフニューラルネットワーク(CIGNN)という新しいコンテキスト統合関係モデルを提案する。 CIGNNは、時間的、リレーショナル、空間的、動的コンテキスト依存を多段階の事前需要予測に活用する。 CIGNNは、周期的および不規則な時系列ネットワークにおいて、最先端のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2020-09-25T22:55:36Z)
• S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
  モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。 我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
  論文  参考訳（メタデータ） (2020-07-13T17:44:30Z)

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。