論文の概要: Exploring the Context Generalizability in Spatiotemporal Crowd Flow
Prediction: Benchmark and Guideline
- arxiv url: http://arxiv.org/abs/2106.16046v3
- Date: Mon, 22 May 2023 02:58:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 06:44:38.662581
- Title: Exploring the Context Generalizability in Spatiotemporal Crowd Flow
Prediction: Benchmark and Guideline
- Title(参考訳): 時空間群流予測におけるコンテキスト一般化可能性の探索:ベンチマークとガイドライン
- Authors: Liyue Chen, Xiaoxiang Wang, Leye Wang
- Abstract要約: 我々は,大規模クラウドフローデータ,コンテキストデータ,最先端予測モデルからなるベンチマークを構築した。
いくつかの都市群集流予測シナリオにおいて,異なる文脈特徴の一般化性とモデリング手法を定量的に検討した。
- 参考スコア(独自算出の注目度): 4.367050939292982
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contextual features are important data sources for building spatiotemporal
crowd flow prediction (STCFP) models. However, the difficulty of applying
context lies in the unknown generalizability of both contextual features (e.g.,
weather, holiday, and points of interests) and context modeling techniques
across different scenarios. In this paper, we build a benchmark composed of
large-scale spatiotemporal crowd flow data, contextual data, and
state-of-the-art spatiotemporal prediction models. We conduct a comprehensive
experimental study to quantitatively investigate the generalizability of
different contextual features and modeling techniques in several urban crowd
flow prediction scenarios (including bike flow, metro passenger flow, electric
vehicle charging demand and so on). In particular, we develop a general
taxonomy of context modeling techniques based on extensive investigations in
prevailing research. With millions of records and rich context data, we have
trained and tested hundreds of different models. Our results reveal several
important observations: (1) Using more contextual features may not always
result in better prediction with existing context modeling techniques; in
particular, the combination of holiday and temporal position can provide more
generalizable beneficial information than other contextual feature
combinations. (2) In context modeling techniques, using a gated unit to
incorporate raw contextual features into the state-of-the-art prediction model
has good generalizability. Besides, we also offer several suggestions about
incorporating contextual factors for practitioners who want to build STCFP
applications. From our findings, we call for future research efforts devoted to
developing new context processing and modeling solutions to fully exploit the
potential of contextual features for STCFP.
- Abstract(参考訳): 文脈特徴は時空間群集フロー予測(STCFP)モデルを構築する上で重要なデータソースである。
しかし、コンテキストを適用することの難しさは、コンテキストの特徴(例えば、天気、休日、関心点)と異なるシナリオにわたるコンテキストモデリング技術の両方の未知の一般化性にある。
本稿では,大規模時空間群集流データ,文脈データ,最先端時空間予測モデルからなるベンチマークを構築した。
本研究では, 都市ごみ流予測シナリオ(自転車流, 地下鉄の乗客流, 電気自動車の充電需要など)において, 異なる環境特徴の一般化可能性とモデル化手法を定量的に検討する。
特に,汎用研究における広範囲な調査に基づいて,文脈モデリング手法の一般分類法を開発する。
数百万のレコードと豊富なコンテキストデータを使って、数百の異なるモデルをトレーニングし、テストしました。
以上の結果から,(1)既存の文脈モデリング手法では,文脈的特徴の活用が必ずしも適切な予測に至らず,特に,休日と時間的位置の組み合わせは,他の文脈的特徴の組み合わせよりもより一般化可能な有益な情報を提供する。
2) 文脈モデリング手法では, ゲート単位を用いて生の文脈特徴を最先端予測モデルに組み込むと, 優れた一般化性が得られる。
さらに、STCFPアプリケーションを構築したい実践者に対して、コンテキスト要因を取り入れることについてもいくつか提案する。
この結果から,STCFPのコンテキスト機能の可能性を完全に活用する新しいコンテキスト処理およびモデリングソリューションの開発に向け,今後の研究課題が求められている。
関連論文リスト
- STContext: A Multifaceted Dataset for Developing Context-aware Spatio-temporal Crowd Mobility Prediction Models [11.285901497743502]
スマートでコンテキスト対応のクラウドフロー予測(STCFP)モデルでは、異常な群衆移動パターンを特定するためにコンテキスト的特徴が使用される。
既存のオープンクラウドフローデータセットには、適切な範囲のコンテキスト機能がない。
コンテキスト対応STCFPモデルを開発するための多面的データセットであるSTContextを作成します。
論文 参考訳(メタデータ) (2025-01-07T07:16:56Z) - Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。
我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。
提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
論文 参考訳(メタデータ) (2024-10-24T17:56:08Z) - Context Matters: Leveraging Contextual Features for Time Series Forecasting [2.9687381456164004]
既存の予測モデルにマルチモーダルなコンテキスト情報を外科的に統合する新しいプラグイン・アンド・プレイ手法であるContextFormerを導入する。
ContextFormerは、カテゴリ、連続、時間変化、さらにはテキスト情報を含む、リッチなマルチモーダルコンテキストから予測固有の情報を効果的に蒸留する。
エネルギー、交通、環境、金融ドメインにまたがるさまざまな実世界のデータセットにおいて、SOTA予測モデルを最大30%上回ります。
論文 参考訳(メタデータ) (2024-10-16T15:36:13Z) - Enhancing Traffic Prediction with Textual Data Using Large Language Models [0.0]
本研究では,地域レベルとノードレベルの2つのシナリオについて検討した。
地域レベルのシナリオでは、テキスト情報はネットワーク全体に接続されたノードとして表現される。
ノードレベルのシナリオでは、大きなモデルからの埋め込みは、対応するノードにのみ接続された追加ノードを表す。
提案手法は,New York Bike データセットによる予測精度の大幅な向上を示す。
論文 参考訳(メタデータ) (2024-05-10T03:14:26Z) - How Well Do Text Embedding Models Understand Syntax? [50.440590035493074]
テキスト埋め込みモデルが幅広い構文的文脈にまたがって一般化する能力は、まだ解明されていない。
その結果,既存のテキスト埋め込みモデルは,これらの構文的理解課題に十分対応していないことが明らかとなった。
多様な構文シナリオにおけるテキスト埋め込みモデルの一般化能力を高めるための戦略を提案する。
論文 参考訳(メタデータ) (2023-11-14T08:51:00Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳(メタデータ) (2023-11-05T18:59:31Z) - ACQUIRED: A Dataset for Answering Counterfactual Questions In Real-Life
Videos [53.92440577914417]
ACQUIREDは3.9Kの注釈付きビデオで構成され、幅広いイベントタイプを包含し、ファーストパーソンとサードパーソンの両方の視点を取り入れている。
各ビデオは、物理的、社会的、時間的な3つの異なる推論の次元にまたがる質問で注釈付けされている。
我々は,現在最先端の言語のみおよびマルチモーダルモデルに対して,我々のデータセットをベンチマークし,実験結果から大きな性能差が示された。
論文 参考訳(メタデータ) (2023-11-02T22:17:03Z) - Quantifying the Plausibility of Context Reliance in Neural Machine
Translation [25.29330352252055]
我々は、PECoRe(Context Reliance)の可塑性評価を導入する。
PECoReは、言語モデル世代におけるコンテキスト使用量の定量化を目的として設計されたエンドツーエンドの解釈可能性フレームワークである。
我々は、文脈対応機械翻訳モデルの妥当性を定量化するために、pecoreを使用します。
論文 参考訳(メタデータ) (2023-10-02T13:26:43Z) - Foundational Models Defining a New Era in Vision: A Survey and Outlook [151.49434496615427]
視覚シーンの構成的性質を観察し、推論する視覚システムは、我々の世界を理解するのに不可欠である。
モデルは、このようなモダリティと大規模なトレーニングデータとのギャップを埋めることを学び、コンテキスト推論、一般化、テスト時の迅速な機能を容易にした。
このようなモデルの出力は、例えば、バウンディングボックスを設けて特定のオブジェクトをセグメント化したり、画像や映像シーンについて質問したり、言語命令でロボットの動作を操作することで対話的な対話を行うなど、リトレーニングすることなく、人為的なプロンプトによって変更することができる。
論文 参考訳(メタデータ) (2023-07-25T17:59:18Z) - How Far are We from Effective Context Modeling? An Exploratory Study on
Semantic Parsing in Context [59.13515950353125]
文法に基づく意味解析を行い,その上に典型的な文脈モデリング手法を適用する。
我々は,2つの大きなクロスドメインデータセットに対して,13のコンテキストモデリング手法を評価した。
論文 参考訳(メタデータ) (2020-02-03T11:28:10Z)
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。