論文の概要: Decoupling Long- and Short-Term Patterns in Spatiotemporal Inference
- arxiv url: http://arxiv.org/abs/2109.09506v3
- Date: Tue, 23 Apr 2024 14:18:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-24 20:31:21.485197
- Title: Decoupling Long- and Short-Term Patterns in Spatiotemporal Inference
- Title（参考訳）: 時空間推定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, Li Liu, Yifang Yin, Roger Zimmermann,
- Abstract要約: 高価なため、大量のセンサーを配備するのは現実的ではない。
きめ細かいデータ測定の仕方は、長い間、迫りくる問題だった。
本稿では,短期パターンの空間的および時間的関係を学習するためのグラフ時間的注意ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 31.245426664456257
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sensors are the key to environmental monitoring, which impart benefits to smart cities in many aspects, such as providing real-time air quality information to assist human decision-making. However, it is impractical to deploy massive sensors due to the expensive costs, resulting in sparse data collection. Therefore, how to get fine-grained data measurement has long been a pressing issue. In this paper, we aim to infer values at non-sensor locations based on observations from available sensors (termed spatiotemporal inference), where capturing spatiotemporal relationships among the data plays a critical role. Our investigations reveal two significant insights that have not been explored by previous works. Firstly, data exhibits distinct patterns at both long- and short-term temporal scales, which should be analyzed separately. Secondly, short-term patterns contain more delicate relations including those across spatial and temporal dimensions simultaneously, while long-term patterns involve high-level temporal trends. Based on these observations, we propose to decouple the modeling of short-term and long-term patterns. Specifically, we introduce a joint spatiotemporal graph attention network to learn the relations across space and time for short-term patterns. Furthermore, we propose a graph recurrent network with a time skip strategy to alleviate the gradient vanishing problem and model the long-term dependencies. Experimental results on four public real-world datasets demonstrate that our method effectively captures both long- and short-term relations, achieving state-of-the-art performance against existing methods.
- Abstract（参考訳）: センサは環境モニタリングの鍵であり、人間の意思決定を支援するためにリアルタイムの空気品質情報を提供するなど、多くの面でスマートシティに恩恵を与える。
しかし、コストがかかるため、大量のセンサーを配備するのは現実的ではない。
したがって、きめ細かいデータ測定の仕方は、長い間、迫り来る問題だった。
本稿では,データ間の時空間的関係の把握が重要な役割を担うセンサ(時空間推定)の観測結果に基づいて,非センサ位置の値を推定することを目的とする。
これまでの研究で検討されていない2つの重要な知見が明らかになった。
まず、データは長期の時間スケールと短期の時間スケールの両方で異なるパターンを示し、それは別々に分析されるべきである。
第二に、短期パターンは、空間的および時間的次元を同時に横断するパターンを含むより繊細な関係を持ち、一方、長期パターンは高水準の時間的傾向を含む。
これらの観測に基づいて,短期パターンと長期パターンのモデリングを分離することを提案する。
具体的には,短期パターンの空間的および時間的関係を学習するために,共同時空間グラフアテンションネットワークを導入する。
さらに,遅延解消問題を緩和し,長期依存性をモデル化するための時間スキップ戦略を備えたグラフリカレントネットワークを提案する。
4つのパブリックな実世界のデータセットによる実験結果から,本手法は長期的・短期的な関係を効果的に捉え,既存手法に対する最先端性能を実現していることが示された。
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。