論文の概要: Multi-task Recurrent Neural Networks to Simultaneously Infer Mode and Purpose in GPS Trajectories

• arxiv url: http://arxiv.org/abs/2110.12113v1
• Date: Sat, 23 Oct 2021 02:01:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 16:33:58.650263
• Title: Multi-task Recurrent Neural Networks to Simultaneously Infer Mode and Purpose in GPS Trajectories
• Title（参考訳）: GPSトラジェクトリにおけるマルチタスクリカレントニューラルネットワークの同時推論と目的推定
• Authors: Ali Yazdizadeh, Arash Kalatian, Zachary Patterson, Bilal Farooq
• Abstract要約: 本研究は,マルチタスク学習者との結果を比較するために,複数の単一タスクモデルを開発することによって仮定に挑戦する。 GPSトラジェクトリデータと社会デコグラフィーおよび目的地関連特性を多入力ニューラルネットワークフレームワークに入力する。 その結果、モードと目的を個別に分類するシングルタスク学習者とを比較した。
• 参考スコア（独自算出の注目度）: 8.160955464977452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-task learning is assumed as a powerful inference method, specifically, where there is a considerable correlation between multiple tasks, predicting them in an unique framework may enhance prediction results. This research challenges this assumption by developing several single-task models to compare their results against multi-task learners to infer mode and purpose of trip from smartphone travel survey data collected as part of a smartphone-based travel survey. GPS trajectory data along with socio-demographics and destination-related characteristics are fed into a multi-input neural network framework to predict two outputs; mode and purpose. We deployed Recurrent Neural Networks (RNN) that are fed by sequential GPS trajectories. To process the socio-demographics and destination-related characteristics, another neural network, with different embedding and dense layers is used in parallel with RNN layers in a multi-input multi-output framework. The results are compared against the single-task learners that classify mode and purpose independently. We also investigate different RNN approaches such as Long-Short Term Memory (LSTM), Gated Recurrent Units (GRU) and Bi-directional Gated Recurrent Units (Bi-GRU). The best multi-task learner was a Bi-GRU model able to classify mode and purpose with an F1-measures of 84.33% and 78.28%, while the best single-task learner to infer mode of transport was a GRU model that achieved an F1-measure of 86.50%, and the best single-task Bi-GRU purpose detection model that reached an F1-measure of 77.38%. While there's an assumption of higher performance of multi-task over sing-task learners, the results of this study does not hold such an assumption and shows, in the context of mode and trip purpose inference from GPS trajectory data, a multi-task learning approach does not bring any considerable advantage over single-task learners.
• Abstract（参考訳）: マルチタスク学習は強力な推論手法として仮定され、特に複数のタスクの間にかなりの相関関係があり、ユニークなフレームワークでそれらを予測することで予測結果が向上する可能性がある。 本研究は,スマートフォンによる旅行調査の一環として収集したスマートフォン旅行調査データから,複数のシングルタスクモデルを用いて,マルチタスク学習者との比較を行った。 GPSトラジェクトリデータと社会デコグラフィーおよび目的地関連特性を多入力ニューラルネットワークフレームワークに入力し、モードと目的の2つの出力を予測する。 逐次GPSトラジェクトリによって供給されるリカレントニューラルネットワーク(RNN)をデプロイした。 社会デモグラフィーと目的地関連特性を処理するために、マルチインプットマルチアウトプット・フレームワークにおいて、異なる埋め込み層と密度層を持つ別のニューラルネットワークがRNN層と並列に使用される。 結果は、モードと目的を独立に分類するシングルタスク学習者と比較される。 また,Long-Short Term Memory (LSTM), Gated Recurrent Units (GRU), Bi-directional Gated Recurrent Units (Bi-GRU) などのRNNアプローチについても検討した。 最良のマルチタスク学習者は、モードと目的を84.33%、78.28%で分類できるBi-GRUモデルであり、一方、移動モードを推論する最も優れたシングルタスク学習者は、F1の86.50%、F1の77.38%に達した最高のシングルタスクBi-GRUの目的検出モデルであった。 マルチタスク学習は,マルチタスク学習者よりも高い性能を仮定するが,本研究の結果はそのような仮定は持たず,GPSトラジェクトリデータからのモードとトリップ目的推論の文脈では,マルチタスク学習アプローチはシングルタスク学習者に対して大きな優位性をもたらすものではない。

関連論文リスト

• MS-Net: A Multi-Path Sparse Model for Motion Prediction in Multi-Scenes [1.4451387915783602]
  マルチシーンネットワーク(Multi-Scenes Network、別名MS-Net)は、進化過程によって訓練されたマルチパススパースモデルである。 MS-Netは、推論段階でパラメータのサブセットを選択的に活性化し、各シーンの予測結果を生成する。 実験の結果,MS-Netは既存の歩行者行動予測データセットの最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-03-01T08:32:12Z)
• Provable Multi-Task Representation Learning by Two-Layer ReLU Neural Networks [69.38572074372392]
  本稿では,複数タスクにおける非線形モデルを用いたトレーニング中に特徴学習が発生することを示す最初の結果を示す。 私たちのキーとなる洞察は、マルチタスク事前トレーニングは、通常タスク間で同じラベルを持つポイントを整列する表現を好む擬似コントラスト的損失を誘導するということです。
  論文  参考訳（メタデータ） (2023-07-13T16:39:08Z)
• Visual Exemplar Driven Task-Prompting for Unified Perception in Autonomous Driving [100.3848723827869]
  本稿では,タスク固有のプロンプトを通じて視覚的見本を提示する,効果的なマルチタスクフレームワークVE-Promptを提案する。 具体的には、境界ボックスと色に基づくマーカーに基づいて視覚的な例を生成し、ターゲットカテゴリの正確な視覚的外観を提供する。 我々は変圧器をベースとしたエンコーダと畳み込み層を橋渡しし、自律運転における効率的かつ正確な統合認識を実現する。
  論文  参考訳（メタデータ） (2023-03-03T08:54:06Z)
• GPPF: A General Perception Pre-training Framework via Sparsely Activated Multi-Task Learning [23.15735672234869]
  本稿では,タスクレベルの動的ネットワークを事前学習するための一般知覚事前学習フレームワークであるGPPFを提案する。 複雑な環境で学習する能力を調べることによって、3つの重要な要素を深層ネットワークに認識し、伝達する。 SIMT (Single Iteration Multiple Tasks) の同時学習を支援するプラグイン・アンド・プレイ型マルチタスク学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-08-03T15:34:35Z)
• End-to-End 3D Multi-Object Tracking and Trajectory Forecasting [34.68114553744956]
  3次元MOTと軌道予測の統一解を提案する。 グラフニューラルネットを導入して特徴相互作用技術を採用する。 また,予測トラジェクトリの品質と多様性を向上させるために,多様性サンプリング機能を利用する。
  論文  参考訳（メタデータ） (2020-08-25T16:54:46Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• Reparameterizing Convolutions for Incremental Multi-Task Learning without Task Interference [75.95287293847697]
  マルチタスクモデルを開発する際の2つの一般的な課題は、しばしば文献で見過ごされる。 まず、モデルを本質的に漸進的に可能にし、以前に学んだことを忘れずに新しいタスクから情報を継続的に取り入れる(インクリメンタルラーニング)。 第二に、タスク間の有害な相互作用を排除し、マルチタスク設定(タスク干渉)においてシングルタスクのパフォーマンスを著しく低下させることが示されている。
  論文  参考訳（メタデータ） (2020-07-24T14:44:46Z)
• A Unified Object Motion and Affinity Model for Online Multi-Object Tracking [127.5229859255719]
  オブジェクトの動きと親和性モデルを単一のネットワークに統一する新しいMOTフレームワークUMAを提案する。 UMAは、単一物体追跡とメートル法学習をマルチタスク学習により統合された三重項ネットワークに統合する。 我々は,タスク認識機能学習を促進するために,タスク固有のアテンションモジュールを装備する。
  論文  参考訳（メタデータ） (2020-03-25T09:36:43Z)
• PTP: Parallelized Tracking and Prediction with Graph Neural Networks and Diversity Sampling [34.68114553744956]
  多物体追跡(MOT)と軌跡予測は、現代の3次元知覚システムにおいて2つの重要な要素である。 エージェントインタラクションの共有特徴表現を学習するための並列化フレームワークを提案する。 社会的に認識された特徴学習と多様性サンプリングを用いた手法は,3次元MOTにおける新しい最先端性能と軌道予測を実現する。
  論文  参考訳（メタデータ） (2020-03-17T17:53:33Z)
• MTI-Net: Multi-Scale Task Interaction Networks for Multi-Task Learning [82.62433731378455]
  特定のスケールで高い親和性を持つタスクは、他のスケールでこの動作を維持することが保証されていないことを示す。 本稿では,この発見に基づく新しいアーキテクチャ MTI-Net を提案する。
  論文  参考訳（メタデータ） (2020-01-19T21:02:36Z)

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。