論文の概要: Potential Destination Prediction Based on Knowledge Graph Under Low
Predictability Data Condition
- arxiv url: http://arxiv.org/abs/2201.12845v1
- Date: Sun, 30 Jan 2022 15:26:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 16:24:08.847547
- Title: Potential Destination Prediction Based on Knowledge Graph Under Low
Predictability Data Condition
- Title（参考訳）: 低予測性データ条件下での知識グラフに基づくポテンシャル目的地予測
- Authors: Guilong Li, Yixian Chen, Qionghua Liao, Zhaocheng He
- Abstract要約: 潜在的な目的地の数は極めて多く、短期的な観測によって生じる予測可能性の低いデータ条件では無視できない。
知識グラフの埋め込みに基づく大域的最適化手法を提案する。
提案手法を実世界のデータセットで検証し,予測結果は個人の潜在的目的地選択行動と極めて一致している。
- 参考スコア（独自算出の注目度）: 2.867517731896504
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Destination prediction has been a critical topic in transportation research,
and there are a large number of studies. However, almost all existing studies
are based on high predictability data conditions while pay less attention to
the data condition with low predictability, where the regularity of single
individuals is not exposed. Based on a certain period of observation, there is
a fact that individuals may choose destinations beyond observation, which we
call "potential destinations". The number of potential destinations is very
large and can't be ignored for the data condition with low predictability
formed by short-term observation.To reveal the choice pattern of potential
destination of individuals under the data condition with low predictability, we
propose a global optimization method based on knowledge graph embedding. First,
we joint the trip data of all individuals by constructing Trip Knowledge
Graph(TKG). Next, we optimize the general algorithm of knowledge graph
embedding for our data and task in training strategy and objective function,
then implement it on TKG. It can achieve global optimization for association
paths that exist between almost any two entities in TKG. On this basis, a
method for potential destination prediction is proposed, giving the possible
ranking of unobserved destinations for each individual. In addition, we improve
the performance by fusing static statistical information that is not passed to
TKG. Finally, we validate our method in a real-world dataset, and the
prediction results are highly consistent with individuals' potential
destination choice behaviour.
- Abstract（参考訳）: 目的地予測は交通研究において重要な話題であり、多くの研究がある。
しかし、既存のほとんどの研究は高い予測可能性データ条件に基づいており、個々の個体の規則性が露出しない予測可能性の低いデータ条件にはあまり注意を払わない。
特定の観察期間に基づいて、個人が観測以上の目的地を選択できるという事実があり、これは「潜在的目的地」と呼ばれる。
潜在目的地数は非常に多く,短期観測による予測可能性の低いデータ条件では無視できないため,予測可能性の低いデータ条件下での個人候補の選択パターンを明らかにするため,知識グラフ埋め込みに基づくグローバル最適化手法を提案する。
まず、Trip Knowledge Graph(TKG)を構築することで、すべての個人の旅行データを結合する。
次に、学習戦略と目的関数におけるデータとタスクへの知識グラフ埋め込みの一般的なアルゴリズムを最適化し、TKG上で実装する。
tkg内のほぼ2つのエンティティ間に存在する関連付けパスのグローバル最適化を実現することができる。
そこで本研究では,各個人に対して観測不能な目的地のランク付けが可能な,潜在的な目的地予測手法を提案する。
また, tkgに渡さない静的統計情報を融合することにより, 性能の向上を図る。
最後に,本手法を実世界のデータセットで検証し,予測結果は個人の潜在的目的地選択行動と極めて一致している。
関連論文リスト
- Forecasting Unseen Points of Interest Visits Using Context and Proximity Priors [7.294418916091012]
機械学習モデルは、個人が過去の訪問パターンを分析することによって、将来訪問する可能性が高いポイント・オブ・関心(POI)を予測することができる。
従来の研究では、各クラスがPOIに対応するPOI分類器を学習することでこの問題に対処していた。
本稿では,学習データの外部に新たなPOIを予測するためのモデルを提案する。
論文 参考訳（メタデータ） (2024-11-22T16:50:10Z) - Transductive Active Learning: Theory and Applications [35.49225932333298]
本研究では,古典的能動学習の現実的環境への一般化を,具体的な予測対象を用いて検討する。
我々は,予測対象の不確実性を最小限に抑えるために,適応的にサンプルをサンプリングする一連の決定ルールを解析する。
論文 参考訳（メタデータ） (2024-02-13T09:22:45Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2023-10-17T20:30:16Z) - Revisiting Link Prediction: A Data Perspective [59.296773787387224]
グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。
既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。
我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
論文 参考訳（メタデータ） (2023-10-01T21:09:59Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳（メタデータ） (2023-04-07T23:51:07Z) - How do you go where? Improving next location prediction by learning
travel mode information using transformers [6.003006906852134]
本稿では, トランスフォーマーデコーダに基づくニューラルネットワークを提案し, 過去の位置, 時間, 移動モードに基づいて, 個人が訪問する次の場所を予測する。
特に、次の旅行モードの予測は、ネットワークの学習をガイドする補助的なタスクとして設計されている。
実験の結果,提案手法は,他の最先端の次の位置予測手法よりも大幅に優れていることがわかった。
論文 参考訳（メタデータ） (2022-10-08T19:36:58Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2022-06-16T06:13:53Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Trajectory Test-Train Overlap in Next-Location Prediction Datasets [5.039138978031649]
次の位置予測は、都市計画、ジオマーケティング、病気の普及など、いくつかの分野で重要な意味を持つ。
本稿では,これらの予測器の公共モビリティデータセット上での一般化能力を検証した。
本研究では,空間移動パターンに基づく次位置予測器の出力を再現する手法を提案する。
論文 参考訳（メタデータ） (2022-03-07T08:39:45Z) - Targeted Optimal Treatment Regime Learning Using Summary Statistics [12.767669486030352]
我々は、ソースとターゲットの集団が不均一である可能性のあるITR推定問題を考える。
我々は、利用可能な要約統計を利用して、所定の対象人口に対してITRを調整する重み付けフレームワークを開発する。
具体的には,対象集団の値関数の補正された逆確率重み付き推定器を提案し,最適ITRを推定する。
論文 参考訳（メタデータ） (2022-01-17T06:11:31Z) - Improved Fine-tuning by Leveraging Pre-training Data: Theory and
Practice [52.11183787786718]
対象データに事前学習されたモデルを微調整することは、多くのディープラーニングアプリケーションで広く利用されている。
近年の研究では、スクラッチからのトレーニングが、この事前トレーニング戦略に比較して、最終的なパフォーマンスを示すことが実証されている。
本稿では,対象タスクの一般化を改善するために,事前学習データからサブセットを選択する新しい選択戦略を提案する。
論文 参考訳（メタデータ） (2021-11-24T06:18:32Z)
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。