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
- DynST: Dynamic Sparse Training for Resource-Constrained Spatio-Temporal
Forecasting [24.00162014044092]
地球科学システムは、センサーの広範な展開に大きく依存している。
従来のセンサー配置アプローチでは、特定のアルゴリズムを使用してセンサーを設計および展開する。
本稿では,ダイナミックスパーストレーニングのコンセプトを初めて紹介し,重要なセンサデータを動的にフィルタリングすることを約束する。
論文 参考訳(メタデータ) (2024-03-05T12:31:24Z) - Rethinking Sensors Modeling: Hierarchical Information Enhanced Traffic
Forecasting [47.1051445072085]
我々は、センサーの依存性モデリングを2つの階層(地域とグローバル)から再考する。
我々は,センサ間のグローバルな依存性を反映するグローバルノードとして,代表的パターンと共通時間パターンを生成する。
ノード表現の現実性の一般化を追求するため、物理データ空間におけるノードとグローバルノードの伝播にMeta GCNを組み込んだ。
論文 参考訳(メタデータ) (2023-09-20T13:08:34Z) - Spatio-Temporal Contrastive Self-Supervised Learning for POI-level Crowd
Flow Inference [23.8192952068949]
S-temporal data(CSST)のための新しいコントラスト型自己学習フレームワークを提案する。
提案手法は,POI(Points of Interest)とその距離に基づく空間隣接グラフの構築から始める。
我々は、類似した事例から対象部分グラフの表現を予測するために、スワップした予測手法を採用する。
実世界の2つのデータセットで実施した実験では、広範囲のノイズデータに基づいて事前トレーニングされたCSSTが、ゼロからトレーニングされたモデルより一貫して優れていることを示した。
論文 参考訳(メタデータ) (2023-09-06T02:51:24Z) - Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.89014020303557]
HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。
従来の手法は手作りの機能と機械学習技術に依存している。
HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
論文 参考訳(メタデータ) (2023-08-02T12:04:28Z) - Spatial-temporal Prompt Learning for Federated Weather Forecasting [50.379491498793485]
フェデレート気象予報は、異なる国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークである。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
論文 参考訳(メタデータ) (2023-05-23T16:59:20Z) - 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) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-11-25T08:45:14Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳(メタデータ) (2020-05-24T04:02:18Z) - Interpretable Crowd Flow Prediction with Spatial-Temporal Self-Attention [16.49833154469825]
群衆の流れを予測する最も難しい部分は、複雑な空間的・時間的依存関係を測定することである。
時空間表現全体を計算するためのST符号化ゲートを備えた時空間自己認識ネットワーク(STSAN)を提案する。
交通および移動データに関する実験結果から,提案手法はTaxi-NYCデータセット上でRMSEの流入と流出を16%減らし,8%減らすことを示した。
論文 参考訳(メタデータ) (2020-02-22T12:43:11Z)
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。