論文の概要: LightMove: A Lightweight Next-POI Recommendation for Taxicab Rooftop Advertising

• arxiv url: http://arxiv.org/abs/2108.04993v1
• Date: Wed, 11 Aug 2021 02:32:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-12 13:23:28.834414
• Title: LightMove: A Lightweight Next-POI Recommendation for Taxicab Rooftop Advertising
• Title（参考訳）: LightMove:タクシーの屋上広告のための軽量次世代POIレコメンデーション
• Authors: Jinsung Jeon, Soyoung Kang, Minju Jo, Seunghyeon Cho, Noseong Park, Seonghoon Kim, Chiyoung Song
• Abstract要約: 分類者の次の位置を予測するために,軽量かつ高精度な深層学習手法を提案する。 われわれのモデルはLightMoveと呼ばれ、予測精度が大きく、パラメータの数も少なく、トレーニング/推論時間も小さい。
• 参考スコア（独自算出の注目度）: 3.5707322695886154
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mobile digital billboards are an effective way to augment brand-awareness. Among various such mobile billboards, taxicab rooftop devices are emerging in the market as a brand new media. Motov is a leading company in South Korea in the taxicab rooftop advertising market. In this work, we present a lightweight yet accurate deep learning-based method to predict taxicabs' next locations to better prepare for targeted advertising based on demographic information of locations. Considering the fact that next POI recommendation datasets are frequently sparse, we design our presented model based on neural ordinary differential equations (NODEs), which are known to be robust to sparse/incorrect input, with several enhancements. Our model, which we call LightMove, has a larger prediction accuracy, a smaller number of parameters, and/or a smaller training/inference time, when evaluating with various datasets, in comparison with state-of-the-art models.
• Abstract（参考訳）: モバイルデジタル看板はブランド認識を高める効果的な方法だ。 様々なモバイル広告の中で、タクティカブの屋上機器が、全く新しいメディアとして市場に登場している。 motov(モトフ)は、韓国の屋上広告市場で指導的な企業である。 本研究では,分類者の次の位置を推定する軽量かつ正確な深層学習に基づく手法を提案し,位置の人口統計情報に基づくターゲティング広告のより良い準備を行う。 次回のPOIレコメンデーションデータセットがしばしばスパースであるという事実を考慮すると、我々はニューラル常微分方程式(NODE)に基づく提示モデルを設計する。 我々のモデルはLightMoveと呼ばれ、予測精度がより高く、パラメータの数が少なく、そして/または様々なデータセットで評価する際のトレーニング/推論時間がより小さい。

関連論文リスト

• Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
  畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。 既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。 複雑さを低減した現在の最先端技術の性能をわずかに上回る新しいモデルを導入する。
  論文  参考訳（メタデータ） (2024-10-07T09:19:20Z)
• Snapshot: Towards Application-centered Models for Pedestrian Trajectory Prediction in Urban Traffic Environments [9.025558624315817]
  Snapshotはフィードフォワードニューラルネットワークで、芸術の現在の状態をはるかに少ない情報を利用して上回る。 Snapshotをモジュラー自動運転ソフトウェアスタックに統合することで、現実の応用性を示す。
  論文  参考訳（メタデータ） (2024-09-03T15:15:49Z)
• GenAD: Generalized Predictive Model for Autonomous Driving [75.39517472462089]
  本稿では,自動運転分野における最初の大規模ビデオ予測モデルを紹介する。 我々のモデルはGenADと呼ばれ、新しい時間的推論ブロックでシーンを駆動する際の挑戦的なダイナミクスを扱う。 アクション条件付き予測モデルやモーションプランナーに適応することができ、現実世界の運転アプリケーションに大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-03-14T17:58:33Z)
• Efficient Baselines for Motion Prediction in Autonomous Driving [7.608073471097835]
  複数の周辺エージェントの運動予測(MP)は、任意に複雑な環境において重要な課題である。 注意機構やGNNを含むMPのためのSOTA(State-Of-The-Art)技術を用いて,コンパクトなモデルを開発することを目指している。
  論文  参考訳（メタデータ） (2023-09-06T22:18:16Z)
• Energy-Based Models for Cross-Modal Localization using Convolutional Transformers [52.27061799824835]
  GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。 本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。 我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
  論文  参考訳（メタデータ） (2023-06-06T21:27:08Z)
• LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous Driving [94.11868795445798]
  我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。 多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。 我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
  論文  参考訳（メタデータ） (2021-06-21T13:55:57Z)
• Image Classification using CNN for Traffic Signs in Pakistan [0.0]
  この研究は、パキスタンのような未発達の国の環境空間でこれらの人工知能モデルを訓練することを提案した。 画像分類における提案手法では,畳み込みニューラルネットワークを用いて画像分類を行う。 実験では,前回実施した実験から得られた最良の結果と精度を示した。
  論文  参考訳（メタデータ） (2021-02-19T19:16:22Z)
• SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
  VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。 提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
  論文  参考訳（メタデータ） (2021-02-19T11:56:44Z)
• TTDM: A Travel Time Difference Model for Next Location Prediction [14.93730951083916]
  次の位置予測は、多くの位置情報ベースのアプリケーションにとって非常に重要であり、ビジネスや政府に不可欠なインテリジェンスを提供する。 既存の研究では、次の位置予測に対する一般的なアプローチは、条件付き確率に基づいて、巨大な歴史的軌跡を持つ連続的な遷移を学習することである。 本稿では,最短走行時間と実走行時間との差を利用して次の位置を推定する旅行時間差モデル(TTDM)を提案する。
  論文  参考訳（メタデータ） (2020-03-16T05:16:43Z)

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。