論文の概要: Outdoor Position Recovery from HeterogeneousTelco Cellular Data
- arxiv url: http://arxiv.org/abs/2108.10613v1
- Date: Tue, 24 Aug 2021 10:02:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-25 17:56:21.079748
- Title: Outdoor Position Recovery from HeterogeneousTelco Cellular Data
- Title（参考訳）: 不均一Telcoセルデータの外部位置復元
- Authors: Yige Zhang, Weixiong Rao, Kun Zhang and Lei Chen
- Abstract要約: 本研究では,マルチタスク学習に基づく深層ニューラルネットワーク(DNN)フレームワーク,すなわちPRNet+を提案する。
上海の3つの代表的な地域で収集された8つのデータセットの大規模な評価は、PRNet+が最先端のデータを著しく上回っていることを示している。
- 参考スコア（独自算出の注目度）: 13.138193917880999
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent years have witnessed unprecedented amounts of data generated by
telecommunication (Telco) cellular networks. For example, measurement records
(MRs) are generated to report the connection states between mobile devices and
Telco networks, e.g., received signal strength. MR data have been widely used
to localize outdoor mobile devices for human mobility analysis, urban planning,
and traffic forecasting. Existing works using first-order sequence models such
as the Hidden Markov Model (HMM) attempt to capture spatio-temporal locality in
underlying mobility patterns for lower localization errors. The HMM approaches
typically assume stable mobility patterns of the underlying mobile devices. Yet
real MR datasets exhibit heterogeneous mobility patterns due to mixed
transportation modes of the underlying mobile devices and uneven distribution
of the positions associated with MR samples. Thus, the existing solutions
cannot handle these heterogeneous mobility patterns. we propose a multi-task
learning-based deep neural network (DNN) framework, namely PRNet+, to
incorporate outdoor position recovery and transportation mode detection. To
make sure the framework work, PRNet+ develops a feature extraction module to
precisely learn local-, short- and long-term spatio-temporal locality from
heterogeneous MR samples. Extensive evaluation on eight datasets collected at
three representative areas in Shanghai indicates that PRNet+ greatly
outperforms state-of-the-arts.
- Abstract（参考訳）: 近年、通信(テルコ)セルラーネットワークによって生成された前例のない量のデータを目撃している。
例えば、モバイルデバイスと通信ネットワーク間の接続状態(例えば受信信号強度)を報告するために計測記録(mrs)が生成される。
MRデータは、人間の移動分析、都市計画、交通予測のための屋外モバイルデバイスのローカライズに広く利用されている。
隠れマルコフモデル(hmm)のような一階系列モデルを用いた既存の仕事は、低ローカライズエラーの基盤となるモビリティパターンにおける時空間的局所性を捉えようとする。
HMMアプローチは通常、基盤となるモバイルデバイスの安定したモビリティパターンを前提としている。
しかし、実際のMRデータセットは、基礎となるモバイルデバイスの混合輸送モードとMRサンプルに関連する位置の不均一な分布により、異種移動パターンを示す。
したがって、既存のソリューションはこれらの不均質なモビリティパターンを処理できない。
本研究では,マルチタスク学習に基づく深層ニューラルネットワーク(DNN)フレームワークであるPRNet+を提案する。
フレームワークの動作を確認するため、PRNet+は特徴抽出モジュールを開発し、異種MRサンプルから局所的、短期的、長期的時空間的局所性を正確に学習する。
上海の3つの代表的な地域で収集された8つのデータセットの大規模な評価は、PRNet+が最先端のデータを著しく上回ることを示している。
関連論文リスト
- Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - 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) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-25T03:37:00Z) - Parallel Successive Learning for Dynamic Distributed Model Training over
Heterogeneous Wireless Networks [50.68446003616802]
フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。
我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。
我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
論文 参考訳（メタデータ） (2022-02-07T05:11:01Z) - Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural
Network [6.065344547161387]
本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。
提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
論文 参考訳（メタデータ） (2021-02-24T05:02:19Z) - AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。
本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
論文 参考訳（メタデータ） (2021-01-03T15:45:35Z) - 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) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z) - Fast-Convergent Federated Learning [82.32029953209542]
フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。
本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-26T14:37:51Z) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳（メタデータ） (2020-03-16T03:43:59Z)
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。