論文の概要: PRNet: A Periodic Residual Learning Network for Crowd Flow Forecasting
- arxiv url: http://arxiv.org/abs/2112.06132v1
- Date: Wed, 8 Dec 2021 12:04:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-19 12:28:09.370802
- Title: PRNet: A Periodic Residual Learning Network for Crowd Flow Forecasting
- Title（参考訳）: prnet:クラウドフロー予測のための周期的残留学習ネットワーク
- Authors: Chengxin Wang, Yuxuan Liang and Gary Tan
- Abstract要約: 我々は,クラウドフローデータの周期性をモデル化するための新しい周期的残差学習ネットワーク(PRNet)を考案した。
PRNetは、入力(前の時間)と出力(将来の時間)のずれをモデル化し、周期的残差学習問題として予測する群集フローをフレーム化する。
2つの実世界のデータセットに対する実験結果から、PRNetは精度と堅牢性の両方の観点から最先端の手法よりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 8.50942649992681
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Crowd flow forecasting, e.g., predicting the crowds entering or leaving
certain regions, is of great importance to real-world urban applications. One
of the key properties of crowd flow data is periodicity: a pattern that occurs
at regular time intervals, such as a weekly pattern. To capture such
periodicity, existing studies either explicitly model it based on the periodic
hidden states or implicitly learn it by feeding all periodic segments into
neural networks. In this paper, we devise a novel periodic residual learning
network (PRNet) for better modeling the periodicity in crowd flow data.
Differing from existing methods, PRNet frames the crowd flow forecasting as a
periodic residual learning problem by modeling the deviation between the input
(the previous time period) and the output (the future time period). As compared
to predicting highly dynamic crowd flows directly, learning such stationary
deviation is much easier, which thus facilitates the model training. Besides,
the learned deviation enables the network to produce the residual between
future conditions and its corresponding weekly observations at each time
interval, and therefore contributes to substantially better predictions. We
further propose a lightweight Spatial-Channel Enhanced Encoder to build more
powerful region representations, by jointly capturing global spatial
correlations and temporal dependencies. Experimental results on two real-world
datasets demonstrate that PRNet outperforms the state-of-the-art methods in
terms of both accuracy and robustness.
- Abstract（参考訳）: 群衆フロー予測(例えば、特定の地域に入ったり去ったりする群衆を予測する)は、現実世界の都市への応用において非常に重要である。
群集フローデータの鍵となる特性の1つは周期性であり、週ごとのパターンのような定期的な時間間隔で発生するパターンである。
このような周期性を捉えるために、既存の研究は周期的隠れ状態に基づいて明示的にモデル化するか、すべての周期的セグメントをニューラルネットワークに供給することで暗黙的に学習する。
本稿では,クラウドフローデータの周期性をモデル化するための,新しい周期的残差学習ネットワーク(PRNet)を提案する。
PRNetは既存の手法と異なり、入力(前の時間)と出力(将来の時間)のずれをモデル化することにより、周期的残差学習問題として予測する群集フローをモデル化する。
高ダイナミックな群集の流れを直接予測するよりも、そのような定常偏差の学習がずっと簡単であり、モデルトレーニングが容易になる。
さらに、学習した偏差により、ネットワークは将来の状況とそれに対応する週毎の観測の残差を各時間間隔で生成できるため、予測精度が大幅に向上する。
さらに,グローバルな空間相関と時間依存性を併用して,より強力な領域表現を構築するための軽量な空間チャネル拡張エンコーダを提案する。
2つの実世界のデータセットに対する実験結果から、PRNetは精度と堅牢性の両方の観点から最先端の手法よりも優れていることが示された。
関連論文リスト
- Interpretable Short-Term Load Forecasting via Multi-Scale Temporal
Decomposition [3.080999981940039]
本稿では,ニューラルネットワークの線形結合を学習し,それぞれが入力時間の特徴に付随する解釈可能なディープラーニング手法を提案する。
ケーススタディはベルギーの中央グリッド負荷データセット上で実施されており、提案モデルは頻繁に適用されるベースラインモデルよりも精度がよいことを示した。
論文 参考訳（メタデータ） (2024-02-18T17:55:59Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - Prompting-based Temporal Domain Generalization [10.377683220196873]
本稿では,時間領域の一般化に対する新しいプロンプトベースアプローチを提案する。
本手法は,グローバルなプロンプト,ドメイン固有のプロンプト,ドリフト認識プロンプトを学習することで,時間的ドリフトに訓練されたモデルを適用する。
分類,回帰,時系列予測タスクの実験は,提案手法の汎用性を実証している。
論文 参考訳（メタデータ） (2023-10-03T22:40:56Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - Wild-Time: A Benchmark of in-the-Wild Distribution Shift over Time [69.77704012415845]
時間的シフトは、現実世界にデプロイされた機械学習モデルのパフォーマンスを著しく低下させる可能性がある。
ドメイン一般化、連続学習、自己教師付き学習、アンサンブル学習の手法を含む13の先行手法をベンチマークする。
いずれの評価方略も,分布外データから分布外データへの平均的な性能低下を観察する。
論文 参考訳（メタデータ） (2022-11-25T17:07:53Z) - Building Autocorrelation-Aware Representations for Fine-Scale
Spatiotemporal Prediction [1.2862507359003323]
本稿では,空間統計理論をニューラルネットワークに組み込んだ新しいディープラーニングアーキテクチャを提案する。
DeepLATTEには、局所的自己相関パターンとグローバルな自己相関傾向の両方を強制する、自己相関誘導半教師付き学習戦略が含まれている。
我々は,DeepLATTEの公開データを用いた実演を行い,健康上の重要なトピックとして,高度に適合した複雑な物理環境下での空気質予測を行った。
論文 参考訳（メタデータ） (2021-12-10T03:21:19Z) - Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of
Time Series [77.47313102926017]
Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。
それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。
radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
論文 参考訳（メタデータ） (2021-02-15T00:57:28Z) - Network Classifiers Based on Social Learning [71.86764107527812]
空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。
提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。
この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
論文 参考訳（メタデータ） (2020-10-23T11:18:20Z) - Improved Predictive Deep Temporal Neural Networks with Trend Filtering [22.352437268596674]
本稿では,ディープニューラルネットワークとトレンドフィルタリングに基づく新しい予測フレームワークを提案する。
我々は,学習データをトレンドフィルタリングによって時間的に処理した場合,深部時相ニューラルネットワークの予測性能が向上することを明らかにする。
論文 参考訳（メタデータ） (2020-10-16T08:29:36Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Conditional Mutual information-based Contrastive Loss for Financial Time
Series Forecasting [12.0855096102517]
金融時系列予測のための表現学習フレームワークを提案する。
本稿では、まず時系列データからコンパクトな表現を学習し、次に学習した表現を用いて、時系列の動きを予測するためのより単純なモデルを訓練する。
論文 参考訳（メタデータ） (2020-02-18T15:24:33Z)
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。