論文の概要: Spatial-Temporal Deep Intention Destination Networks for Online Travel Planning

• arxiv url: http://arxiv.org/abs/2108.03989v1
• Date: Mon, 9 Aug 2021 12:41:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 15:35:40.618284
• Title: Spatial-Temporal Deep Intention Destination Networks for Online Travel Planning
• Title（参考訳）: オンライン旅行計画のための空間的意図決定ネットワーク
• Authors: Yu Li, Fei Xiong, Ziyi Wang, Zulong Chen, Chuanfei Xu, Yuyu Yin, Li Zhou
• Abstract要約: 本稿では, 深層マルチシーケンス融合ニューラルネットワーク(DMSN)を提案する。 実験結果から,提案したDMSNモデルにより,目的の予測精度が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 10.982387529009493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, artificial neural networks are widely used for users' online travel planning. Personalized travel planning has many real applications and is affected by various factors, such as transportation type, intention destination estimation, budget limit and crowdness prediction. Among those factors, users' intention destination prediction is an essential task in online travel platforms. The reason is that, the user may be interested in the travel plan only when the plan matches his real intention destination. Therefore, in this paper, we focus on predicting users' intention destinations in online travel platforms. In detail, we act as online travel platforms (such as Fliggy and Airbnb) to recommend travel plans for users, and the plan consists of various vacation items including hotel package, scenic packages and so on. Predicting the actual intention destination in travel planning is challenging. Firstly, users' intention destination is highly related to their travel status (e.g., planning for a trip or finishing a trip). Secondly, users' actions (e.g. clicking, searching) over different product types (e.g. train tickets, visa application) have different indications in destination prediction. Thirdly, users may mostly visit the travel platforms just before public holidays, and thus user behaviors in online travel platforms are more sparse, low-frequency and long-period. Therefore, we propose a Deep Multi-Sequences fused neural Networks (DMSN) to predict intention destinations from fused multi-behavior sequences. Real datasets are used to evaluate the performance of our proposed DMSN models. Experimental results indicate that the proposed DMSN models can achieve high intention destination prediction accuracy.
• Abstract（参考訳）: 現在、ニューラルネットワークはユーザーのオンライン旅行計画に広く使われている。 パーソナライズド・トラベル・プランニングには多くの応用があり、交通タイプ、目的地推定、予算制限、混雑予測など様々な要因に影響されている。 これらの要因の中で,ユーザの意図的目的地予測は,オンライン旅行プラットフォームにおいて重要な課題である。 理由は、ユーザーが旅行計画に興味を持つのは、計画が実際の目的地と一致する場合に限られるからである。 そこで本稿では,オンライン旅行プラットフォームにおけるユーザの意図的目的地の予測に焦点をあてる。 詳細は、オンライン旅行プラットフォーム(FliggyやAirbnbなど)としてユーザ向けの旅行プランを推奨し、ホテルパッケージや観光パッケージなど、さまざまな休暇アイテムで構成されています。 旅行計画における実際の目的地の予測は困難である。 まず、ユーザの意図の目的地は、旅行状況(例えば、旅行の計画や旅行の完了など)と非常に関連がある。 第2に、ユーザのアクション(例)。 さまざまな製品タイプ(例えば、クリック、検索)上のクリック。 列車の切符、ビザ申請) 目的地の予測に異なる表示がある。 第3に、ユーザーは公休日直前に旅行プラットフォームを訪れることがあるため、オンライン旅行プラットフォームにおけるユーザーの行動は、よりスパース、低頻度、長周期である。 そこで本稿では, 深層マルチシーケンス融合ニューラルネットワーク(DMSN)を提案する。 実データセットを用いて提案したDMSNモデルの性能を評価する。 実験の結果,dmsnモデルでは高い意図方向予測精度が得られることがわかった。

関連論文リスト

• TravelPlanner: A Benchmark for Real-World Planning with Language Agents [63.199454024966506]
  我々は,旅行計画に焦点を当てた新しい計画ベンチマークであるTravelPlannerを提案する。 豊富なサンドボックス環境、400万近いデータレコードにアクセスするためのさまざまなツール、計画意図とリファレンスプランを慎重にキュレートした1,225のツールを提供する。 包括的評価では、現在の言語エージェントがそのような複雑な計画タスクを処理できないことが示されており、GPT-4でさえ0.6%の成功率しか達成できない。
  論文  参考訳（メタデータ） (2024-02-02T18:39:51Z)
• Enhancing Next Destination Prediction: A Novel Long Short-Term Memory Neural Network Approach Using Real-World Airline Data [0.0]
  本研究では,旅行データにおける逐次パターンや依存関係を正確に把握するモデルの開発に焦点をあてる。 交通業界における目的地予測のために,スライディングウインドウを用いた新しいモデルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-23T15:07:49Z)
• DIGMN: Dynamic Intent Guided Meta Network for Differentiated User Engagement Forecasting in Online Professional Social Platforms [32.70471436337077]
  ユーザエンゲージメントパターンの違いの大きな理由は、ユーザが異なる意図を持っていることだ。 本稿では動的ガイドメタネットワーク(DIGMN)を提案する。 我々の手法は最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2022-10-22T09:57:27Z)
• How do you go where? Improving next location prediction by learning travel mode information using transformers [6.003006906852134]
  本稿では, トランスフォーマーデコーダに基づくニューラルネットワークを提案し, 過去の位置, 時間, 移動モードに基づいて, 個人が訪問する次の場所を予測する。 特に、次の旅行モードの予測は、ネットワークの学習をガイドする補助的なタスクとして設計されている。 実験の結果,提案手法は,他の最先端の次の位置予測手法よりも大幅に優れていることがわかった。
  論文  参考訳（メタデータ） (2022-10-08T19:36:58Z)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• MSN: Multi-Style Network for Trajectory Prediction [14.861532983777133]
  トラジェクトリ予測は,映像のコンテキストとともに,その観察を考慮し,エージェントの将来の位置を予測することを目的としている。 本稿では,2つのサブネットワークを用いたスタイル提案とスタイル予測を利用したマルチスタイルネットワーク(MSN)を提案する。 実験により、提案したMSNは2つの広く使用されているデータセットに対して、現在の最先端の手法を最大10%上回っていることが示された。
  論文  参考訳（メタデータ） (2021-07-02T09:43:59Z)
• A Data-Driven Analytical Framework of Estimating Multimodal Travel Demand Patterns using Mobile Device Location Data [5.902556437760098]
  本稿では,スマートフォンの位置データからマルチモーダル旅行需要パターンを抽出するデータ駆動分析フレームワークを提案する。 トラベルモードインプテーションのための訓練された単層モデルとディープニューラルネットワークを開発した。 この枠組みは、近隣の鉄道、地下鉄、高速道路、バス路線への交通ルートの近接性を評価するためにマルチモーダル交通網も組み込んでいる。
  論文  参考訳（メタデータ） (2020-12-08T22:49:44Z)
• Perceive, Predict, and Plan: Safe Motion Planning Through Interpretable Semantic Representations [81.05412704590707]
  本稿では,自動運転車の協調認識,予測,動作計画を行うエンド・ツー・エンドの学習可能なネットワークを提案する。 私たちのネットワークは、人間のデモからエンドツーエンドに学習されます。
  論文  参考訳（メタデータ） (2020-08-13T14:40:46Z)
• It Is Not the Journey but the Destination: Endpoint Conditioned Trajectory Prediction [59.027152973975575]
  フレキシブルな人間の軌道予測のための予測条件付きネットワーク(PECNet)を提案する。 PECNetは長距離マルチモーダル軌道予測を支援するために遠方のエンドポイントを推論する。 我々は、PECNetがスタンフォードドローン軌道予測ベンチマークの最先端性能を20.9%改善し、ETH/UCYベンチマークの40.8%向上したことを示す。
  論文  参考訳（メタデータ） (2020-04-04T21:27:13Z)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。