論文の概要: Spatio-Temporal Urban Knowledge Graph Enabled Mobility Prediction

• arxiv url: http://arxiv.org/abs/2111.03465v2
• Date: Wed, 10 Nov 2021 08:46:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-14 15:11:15.231088
• Title: Spatio-Temporal Urban Knowledge Graph Enabled Mobility Prediction
• Title（参考訳）: 移動予測が可能な時空間都市知識グラフ
• Authors: Huandong Wang, Qiaohong Yu, Yu Liu, Depeng Jin, Yong Li
• Abstract要約: 我々は,知識グラフ技術に基づくユーザのモビリティパターンのモデル化に着目する。 我々は,新しいタイプの知識グラフ,すなわち時空間大都市知識グラフ(STKG)を提案する。 提案手法は,従来の手法と比較して計算時間を43.12%以上削減することで,時間効率が向上することを示す。
• 参考スコア（独自算出の注目度）: 20.682466719664838
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of the mobile communication technology, mobile trajectories of humans are massively collected by Internet service providers (ISPs) and application service providers (ASPs). On the other hand, the rising paradigm of knowledge graph (KG) provides us a promising solution to extract structured "knowledge" from massive trajectory data. In this paper, we focus on modeling users' spatio-temporal mobility patterns based on knowledge graph techniques, and predicting users' future movement based on the "knowledge'' extracted from multiple sources in a cohesive manner. Specifically, we propose a new type of knowledge graph, i.e., spatio-temporal urban knowledge graph (STKG), where mobility trajectories, category information of venues, and temporal information are jointly modeled by the facts with different relation types in STKG. The mobility prediction problem is converted to the knowledge graph completion problem in STKG. Further, a complex embedding model with elaborately designed scoring functions is proposed to measure the plausibility of facts in STKG to solve the knowledge graph completion problem, which considers temporal dynamics of the mobility patterns and utilizes PoI categories as the auxiliary information and background knowledge. Extensive evaluations confirm the high accuracy of our model in predicting users' mobility, i.e., improving the accuracy by 5.04% compared with the state-of-the-art algorithms. In addition, PoI categories as the background knowledge and auxiliary information are confirmed to be helpful by improving the performance by 3.85% in terms of accuracy. Additionally, experiments show that our proposed method is time-efficient by reducing the computational time by over 43.12% compared with existing methods.
• Abstract（参考訳）: モバイル通信技術の急速な発展に伴い、インターネットサービスプロバイダ(ISP)とアプリケーションサービスプロバイダ(ASP)によって、人間の移動軌道が大量に収集される。 一方で、知識グラフの台頭パラダイム(kg)は、大規模軌道データから構造化された「知識」を抽出するための有望な解決策を提供する。 本稿では,知識グラフ手法に基づくユーザの時空間的モビリティパターンのモデル化と,複数の情報源から抽出された「知識」に基づくユーザの将来の動きのコヒーシブな予測に着目する。 具体的には,新たなタイプの知識グラフ,すなわち時空間都市知識グラフ(STKG)を提案する。 モビリティ予測問題はSTKGの知識グラフ補完問題に変換される。 さらに,詳細なスコアリング機能を備えた複合埋め込みモデルを提案し,移動パターンの時間的ダイナミクスを考慮し,poiカテゴリを補助情報と背景知識として利用する知識グラフ補完問題を解くために,stkgにおける事実の妥当性を測定した。 広範囲な評価により,ユーザのモビリティ予測におけるモデルの高精度性,すなわち最先端のアルゴリズムと比較して精度を5.04%向上することを確認した。 また、背景知識や補助情報としてのPoIカテゴリは、精度で3.85%向上することで有用であることを確認した。 さらに,提案手法は従来の手法と比較して計算時間を43.12%以上削減することで,時間効率が向上することを示した。

関連論文リスト

• KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [75.78948575957081]
  大規模言語モデル(LLM)は通常、知識材料を瞬時に活用するために、検索強化世代に依存している。 本稿では,知識ベースを含む下流タスクへの効率的な適応を目的としたKBAlignを提案する。 提案手法は,Q&Aペアやリビジョン提案などの自己注釈付きデータを用いて反復学習を行い,モデルが知識内容を効率的に把握できるようにする。
  論文  参考訳（メタデータ） (2024-11-22T08:21:03Z)
• SSTKG: Simple Spatio-Temporal Knowledge Graph for Intepretable and Versatile Dynamic Information Embedding [11.919765478453964]
  本稿では,時空間知識(STSKG)の構築と探索のための新しい枠組みを提案する。 我々のフレームワークは、動的KGの根底にあるトレンドを理解し、予測の精度とレコメンデーションの関連性を高めるための、シンプルで包括的な方法を提供する。
  論文  参考訳（メタデータ） (2024-02-19T13:28:43Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  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)
• A Study of Situational Reasoning for Traffic Understanding [63.45021731775964]
  トラフィック領域における状況推論のための3つの新しいテキストベースのタスクを考案する。 先行作業における言語推論タスクにまたがる一般化能力を示す知識強化手法を4つ採用する。 本稿では,データ分割におけるモデル性能の詳細な解析を行い,モデル予測を分類的に検討する。
  論文  参考訳（メタデータ） (2023-06-05T01:01:12Z)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)
• Temporal Knowledge Graph Reasoning with Low-rank and Model-agnostic Representations [1.8262547855491458]
  低ランクテンソル分解モデル LowFER のパラメータ効率および時間認識拡張系である Time-LowFER を導入する。 時間を表現するための現在のアプローチのいくつかの制限に留意し、時間特徴に対するサイクル対応の時間符号化方式を提案する。 我々は,時間に敏感なデータ処理に着目した統合時間知識グラフ埋め込みフレームワークに本手法を実装した。
  論文  参考訳（メタデータ） (2022-04-10T22:24:11Z)
• A Simple But Powerful Graph Encoder for Temporal Knowledge Graph Completion [13.047205680129094]
  時間知識グラフ(TKG)のための単純だが強力なグラフエンコーダTARGCNを提案する。 我々のモデルは,最先端モデルと比較して,GDELTデータセットに対して42%以上の相対的な改善を達成できる。 ICEWS05-15データセットでは18.5%のパラメータで最強のベースラインを上回っている。
  論文  参考訳（メタデータ） (2021-12-14T23:30:42Z)
• Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
  オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。 出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
  論文  参考訳（メタデータ） (2021-08-26T14:01:04Z)
• KST-GCN: A Knowledge-Driven Spatial-Temporal Graph Convolutional Network for Traffic Forecasting [8.490904938246347]
  本研究では,時空間グラフ畳み込みネットワークに基づく知識表現型交通予測手法を提案する。 まず,交通予測のための知識グラフを構築し,KR-EARという知識表現学習手法を用いて知識表現を導出する。 そこで我々は,空間時間グラフ畳み込みバックボーンネットワークの入力として,知識とトラフィックの特徴を組み合わせた知識融合セル(KF-Cell)を提案する。
  論文  参考訳（メタデータ） (2020-11-26T14:15:52Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。