論文の概要: Decoupling Long- and Short-Term Patterns in Spatiotemporal Inference
- arxiv url: http://arxiv.org/abs/2109.09506v1
- Date: Thu, 16 Sep 2021 03:06:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-24 03:19:21.521214
- Title: Decoupling Long- and Short-Term Patterns in Spatiotemporal Inference
- Title(参考訳): 時空間推論における長期パターンと短期パターンの分離
- Authors: Junfeng Hu, Yuxuan Liang, Zhencheng Fan, Yifang Yin, Ying Zhang, Roger
Zimmermann
- Abstract要約: そこで本稿では,センサからの歴史的および現在の観測結果に基づいて,都市内の任意の位置情報をリアルタイムに推定することを提案する。
本手法では,短期パターンと長期パターンのモデリングを2つの主要コンポーネントに依存して分離する。
4つのパブリック・リードワールド・データセットによる実験結果から,本手法は平均絶対誤差を5%12%削減することがわかった。
- 参考スコア(独自算出の注目度): 32.277516789886455
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sensors are the key to sensing the environment and imparting benefits to
smart cities in many aspects, such as providing real-time air quality
information throughout an urban area. However, a prerequisite is to obtain
fine-grained knowledge of the environment. There is a limit to how many sensors
can be installed in the physical world due to non-negligible expenses. In this
paper, we propose to infer real-time information of any given location in a
city based on historical and current observations from the available sensors
(termed spatiotemporal inference). Our approach decouples the modeling of
short-term and long-term patterns, relying on two major components. Firstly,
unlike previous studies that separated the spatial and temporal relation
learning, we introduce a joint spatiotemporal graph attention network that
learns the short-term dependencies across both the spatial and temporal
dimensions. Secondly, we propose an adaptive graph recurrent network with a
time skip for capturing long-term patterns. The adaptive adjacency matrices are
learned inductively first as the inputs of a recurrent network to learn dynamic
dependencies. Experimental results on four public read-world datasets show that
our method reduces state-of-the-art baseline mean absolute errors by 5%~12%.
- Abstract(参考訳): センサは、環境を感知し、都市全体にリアルタイムの空気質情報を提供するなど、スマートシティに多くの面でメリットを与えるための鍵です。
しかし、環境に関するきめ細かい知識を得るのが前提である。
不可解な費用のため、物理的にどれだけのセンサーをインストールできるかには限界がある。
本稿では,利用可能なセンサ(時空間推定)からの歴史的および現在の観測に基づいて,都市内の任意の位置情報をリアルタイムに推定することを提案する。
我々のアプローチは、2つの主要なコンポーネントに依存する短期パターンと長期パターンのモデリングを分離する。
まず,空間的および時間的関係学習を分離した先行研究とは異なり,空間的および時間的次元の短期的依存関係を学習する統合時空間グラフ注意ネットワークを導入する。
次に,長期パターンを捕捉するための時間スキップ付き適応グラフ再帰ネットワークを提案する。
適応的隣接行列は、動的依存を学習するための繰り返しネットワークの入力として、まず誘導的に学習される。
4つのパブリック・リードワールド・データセットによる実験結果から,本手法は平均絶対誤差を5%~12%削減することがわかった。
関連論文リスト
- Deep End-to-End Survival Analysis with Temporal Consistency [49.77103348208835]
本稿では,大規模長手データの処理を効率的に行うために,Survival Analysisアルゴリズムを提案する。
我々の手法における中心的な考え方は、時間とともにデータにおける過去と将来の成果が円滑に進化するという仮説である時間的一貫性である。
我々のフレームワークは、安定したトレーニング信号を提供することで、時間的一貫性を大きなデータセットに独自に組み込む。
論文 参考訳(メタデータ) (2024-10-09T11:37:09Z) - TimeBridge: Non-Stationarity Matters for Long-term Time Series Forecasting [49.6208017412376]
TimeBridgeは、非定常性と依存性モデリングの間のギャップを埋めるために設計された新しいフレームワークである。
TimeBridgeは、短期予測と長期予測の両方において、最先端のパフォーマンスを一貫して達成する。
論文 参考訳(メタデータ) (2024-10-06T10:41:03Z) - Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction [27.521188262343596]
我々はTHGNN(Temporal and Heterogeneous Graph Neural Networks)という新しいモデルを導入する。
THGNNは、隣接するノードからの履歴データを集約し、センサーデータのストリーム内の時間的ダイナミクスと空間的相関を正確にキャプチャする。
包括的実験により,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2024-05-07T14:08:57Z) - Graph-based Forecasting with Missing Data through Spatiotemporal Downsampling [24.368893944128086]
時系列間の関係をグラフとして表現することで、時空間グラフニューラルネットワークは印象的な結果を得る。
既存のほとんどのメソッドは、入力が常に利用可能であり、データの一部が欠落しているときに隠れたダイナミクスをキャプチャできないという、しばしば非現実的な仮定に依存しています。
論文 参考訳(メタデータ) (2024-02-16T12:33:31Z) - INCREASE: Inductive Graph Representation Learning for Spatio-Temporal
Kriging [35.193756288996944]
SRU-temporal kriging は Web や Internet of Things のような Web やソーシャルアプリケーションにおいて重要な問題である。
クリグのための新しい帰納的グラフ表現学習モデルを提案する。
論文 参考訳(メタデータ) (2023-02-06T12:28:35Z) - FuTH-Net: Fusing Temporal Relations and Holistic Features for Aerial
Video Classification [49.06447472006251]
本稿では,FuTH-Netと呼ばれる新しいディープニューラルネットワークを提案する。
本モデルは,ERAとDrone-Actionの2つの航空映像分類データセットを用いて評価し,最先端の成果を得た。
論文 参考訳(メタデータ) (2022-09-22T21:15:58Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳(メタデータ) (2022-04-25T19:06:48Z) - LSTA-Net: Long short-term Spatio-Temporal Aggregation Network for
Skeleton-based Action Recognition [14.078419675904446]
LSTA-Net(英語版) - 新しい短期時空間ネットワーク。
時間的・短期的な情報は、既存の作品ではよく調べられていない。
3つの公開ベンチマークデータセットで実験が行われた。
論文 参考訳(メタデータ) (2021-11-01T10:53:35Z) - An Enhanced Adversarial Network with Combined Latent Features for
Spatio-Temporal Facial Affect Estimation in the Wild [1.3007851628964147]
本稿では,遅延特徴に基づく時間的モデリングにより,空間的特徴と時間的特徴の両方を効率的に抽出する新しいモデルを提案する。
提案モデルは3つの主要ネットワークから成り,造語生成器,判別器,コンビネータを用いて,適応型アテンションモジュールを実現するために,敵対的な学習環境において訓練を行う。
論文 参考訳(メタデータ) (2021-02-18T04:10:12Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳(メタデータ) (2020-03-13T04:35:50Z)
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。