論文の概要: Multi-View TRGRU: Transformer based Spatiotemporal Model for Short-Term Metro Origin-Destination Matrix Prediction

• arxiv url: http://arxiv.org/abs/2108.03900v1
• Date: Mon, 9 Aug 2021 09:32:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 22:34:04.351736
• Title: Multi-View TRGRU: Transformer based Spatiotemporal Model for Short-Term Metro Origin-Destination Matrix Prediction
• Title（参考訳）: Multi-View TRGRU:短期メトロ原点推定行列予測のための変圧器を用いた時空間モデル
• Authors: Jiexia Ye, Furong Zheng, Juanjuan Zhao, Kejiang Ye, Chengzhong Xu
• Abstract要約: ODメトロマトリクス予測に対処するハイブリド・フレームワークであるMulti-view TRGRUを提案する。 特に、最近のトレンド、日々のトレンド、毎週のトレンドという3つのフロー変化パターンをモデル化するために、3つのモジュールを使用する。 各モジュールにおいて、各ステーションへの埋め込みに基づくマルチビュー表現を構築し、トランスをベースとした再ゲート電流構造に供給する。
• 参考スコア（独自算出の注目度）: 12.626657411944949
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of short-term OD Matrix (i.e. the distribution of passenger flows from various origins to destinations) is a crucial task in metro systems. It is highly challenging due to the constantly changing nature of many impacting factors and the real-time de- layed data collection problem. Recently, some deep learning-based models have been proposed for OD Matrix forecasting in ride- hailing and high way traffic scenarios. However, these models can not sufficiently capture the complex spatiotemporal correlation between stations in metro networks due to their different prior knowledge and contextual settings. In this paper we propose a hy- brid framework Multi-view TRGRU to address OD metro matrix prediction. In particular, it uses three modules to model three flow change patterns: recent trend, daily trend, weekly trend. In each module, a multi-view representation based on embedding for each station is constructed and fed into a transformer based gated re- current structure so as to capture the dynamic spatial dependency in OD flows of different stations by a global self-attention mecha- nism. Extensive experiments on three large-scale, real-world metro datasets demonstrate the superiority of our Multi-view TRGRU over other competitors.
• Abstract（参考訳）: 短期od行列の高精度予測(即ち) 様々な起源から目的地への旅客の流動の分布)は、地下鉄システムにおいて重要な課題である。 多くの影響要因の絶えず変化する性質と、リアルタイムな非レイアウトデータ収集の問題により、非常に困難である。 近年,配車および高速交通シナリオにおけるOD行列予測のためのディープラーニングモデルが提案されている。 しかし,これらのモデルでは,事前知識や文脈設定が異なるため,メトロネットワークの局間の複雑な時空間相関を十分に把握できない。 本稿では,ODメトロマトリクス予測に対処するため,ハイブリッド・フレームワークであるマルチビューTRGRUを提案する。 特に、最近のトレンド、日々のトレンド、毎週のトレンドという3つのフロー変化パターンをモデル化するために、3つのモジュールを使用する。 各モジュールにおいて、各ステーションの埋め込みに基づくマルチビュー表現を構築してトランスベースのゲート再電流構造に供給することにより、グローバル自己着信mecha-nismにより異なるステーションのodフローの動的空間依存性をキャプチャする。 大規模で実世界の3つのmetroデータセットに関する広範な実験は、他社よりもマルチビューtrgruが優れていることを示している。

関連論文リスト

• Leveraging Intra-Period and Inter-Period Features for Enhanced Passenger Flow Prediction of Subway Stations [4.911867249390154]
  地下鉄駅の短期旅客フロー予測は、駅員が乗客数の変化に積極的に対応できるようにする上で重要な役割を担っている。 異なる期間、特に時代内および時代間の特徴を効果的に統合する研究が欠如している。 我々はtextbfMuti textbfPeriod textbfSpatial bfbfTemporal textbfMPSTN という新しいモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-16T03:14:51Z)
• A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
  マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。 モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。 本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
  論文  参考訳（メタデータ） (2024-08-26T17:59:01Z)
• 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)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• Spatio-Temporal Dynamic Graph Relation Learning for Urban Metro Flow Prediction [10.300311879377734]
  トランスファー駅やノントランスファー駅など、異なる地下鉄駅には独自の交通パターンがある。 メトロステーションの複雑な時間的動的関係をモデル化することは困難である。
  論文  参考訳（メタデータ） (2022-04-06T08:07:40Z)
• Short-term passenger flow prediction for multi-traffic modes: A residual network and Transformer based multi-task learning method [21.13073816634534]
  Res-Transformerは、複数交通モードの短期的乗客フロー予測のための学習モデルである。 モデルは北京の2つの大規模な実世界のデータセットで評価される。 本稿では,複数交通モードにおける短時間の乗客フロー予測について,重要な洞察を与えることができる。
  論文  参考訳（メタデータ） (2022-02-27T01:09:19Z)
• Parallel Multi-Graph Convolution Network For Metro Passenger Volume Prediction [8.536743588315696]
  本稿では,並列多グラフ畳み込みと双方向一方向Gated Recurrent Unit(PB-GRU)を重畳した深層学習モデルを提案する。 地下鉄の乗客の流れを実世界の2つのデータセットで分析した結果,モデルの有効性が示された。
  論文  参考訳（メタデータ） (2021-08-29T13:07:18Z)
• Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation [99.54200992904721]
  我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。 ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。 DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。 提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
  論文  参考訳（メタデータ） (2021-07-02T10:11:51Z)
• Knowledge Adaption for Demand Prediction based on Multi-task Memory Neural Network [43.356096302298056]
  駅集中型モードからのデータを用いた駅間モードの需要予測とメモリ拡張型マルチタスクリカレントネットワーク(MATURE)の設計を提案する。 具体的には,1)長期の情報を捕捉し,各トランジットモードの時間的知識を格納する能力を強化するメモリ拡張リカレントネットワーク,2)ステーション集約的なソースからステーションスパースソースへの知識を適応するための知識適応モジュール,3)すべての情報を組み込んだマルチタスク学習フレームワーク,および複数のモードの需要を同時に予測する。
  論文  参考訳（メタデータ） (2020-09-12T12:21:09Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。