論文の概要: Attention-based Contextual Multi-View Graph Convolutional Networks for
Short-term Population Prediction
- arxiv url: http://arxiv.org/abs/2203.00489v1
- Date: Tue, 1 Mar 2022 14:37:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-02 13:46:13.568178
- Title: Attention-based Contextual Multi-View Graph Convolutional Networks for
Short-term Population Prediction
- Title（参考訳）: 短期人口予測のための注意型マルチビューグラフ畳み込みネットワーク
- Authors: Yuki Kubota, Yuki Ohira and Tetsuo Shimizu
- Abstract要約: 我々は、意図に基づくコンテキストグラフ畳み込みネットワーク(ACMV-GCNViews)と呼ばれる新しいディープラーニングモデルを提案する。
まず、都市環境情報に基づいて複数のグラフを構築し、それからACM-GCNViewsはグラフネットワークを用いた様々なビューから空間相関をキャプチャする。
携帯電話で収集した人口データを用いて,提案手法がベースライン法より優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Short-term future population prediction is a crucial problem in urban
computing. Accurate future population prediction can provide rich insights for
urban planners or developers. However, predicting the future population is a
challenging task due to its complex spatiotemporal dependencies. Many existing
works have attempted to capture spatial correlations by partitioning a city
into grids and using Convolutional Neural Networks (CNN). However, CNN merely
captures spatial correlations by using a rectangle filter; it ignores urban
environmental information such as distribution of railroads and location of
POI. Moreover, the importance of those kinds of information for population
prediction differs in each region and is affected by contextual situations such
as weather conditions and day of the week. To tackle this problem, we propose a
novel deep learning model called Attention-based Contextual Multi-View Graph
Convolutional Networks (ACMV-GCNs). We first construct multiple graphs based on
urban environmental information, and then ACMV-GCNs captures spatial
correlations from various views with graph convolutional networks. Further, we
add an attention module to consider the contextual situations when leveraging
urban environmental information for future population prediction. Using
statistics population count data collected through mobile phones, we
demonstrate that our proposed model outperforms baseline methods. In addition,
by visualizing weights calculated by an attention module, we show that our
model learns an efficient way to utilize urban environment information without
any prior knowledge.
- Abstract（参考訳）: 短期的な人口予測は都市コンピューティングにおいて重要な問題である。
正確な将来の人口予測は、都市計画家や開発者に対して豊富な洞察を与えることができる。
しかし, 複雑な時空間依存性のため, 将来の人口予測は難しい課題である。
多くの既存の研究は、都市をグリッドに分割し、畳み込みニューラルネットワーク(CNN)を用いて空間的相関を捉えようとしている。
しかし、CNNは矩形フィルタを用いて空間相関を捉えるだけで、鉄道の分布やPOIの位置といった都市環境情報を無視する。
また,人口予測におけるこれらの情報の重要性は地域によって異なり,気象条件や1週間の日といった状況の影響も受けている。
この問題に対処するために,Attention-based Contextual Multi-View Graph Convolutional Networks (ACMV-GCNs) と呼ばれる新しいディープラーニングモデルを提案する。
まず,都市環境情報に基づく複数のグラフを構築し,次に,様々な視点からの空間相関をグラフ畳み込みネットワークで捉える。
さらに,今後の人口予測に都市環境情報を活用する際の状況を考慮した注意モジュールも追加する。
携帯電話で収集した統計人口データを用いて,提案手法がベースライン法より優れていることを示す。
また,アテンションモジュールで計算した重みを可視化することにより,事前の知識を使わずに都市環境情報を効率的に活用する方法を学習できることを示す。
関連論文リスト
- StreetviewLLM: Extracting Geographic Information Using a Chain-of-Thought Multimodal Large Language Model [12.789465279993864]
地理空間予測は災害管理、都市計画、公衆衛生など様々な分野において重要である。
提案するStreetViewLLMは,大規模言語モデルと連鎖推論とマルチモーダルデータソースを統合した新しいフレームワークである。
このモデルは、香港、東京、シンガポール、ロサンゼルス、ニューヨーク、ロンドン、パリを含む7つの世界都市に適用されている。
論文 参考訳（メタデータ） (2024-11-19T05:15:19Z) - Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。
拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。
提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
論文 参考訳（メタデータ） (2024-01-25T07:28:22Z) - 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) - Learning Dynamic Graphs from All Contextual Information for Accurate
Point-of-Interest Visit Forecasting [9.670949636600035]
Busyness Graph Neural Network (BysGNN) は、基礎となるマルチコンテキスト相関を学習し、発見するために設計された時間グラフニューラルネットワークである。
文脈的,時間的,空間的な信号をすべて取り入れることで,最先端の予測モデルに対する予測精度の大幅な向上を観察する。
論文 参考訳（メタデータ） (2023-06-28T05:14:03Z) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-29T07:49:48Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳（メタデータ） (2022-05-06T13:45:32Z) - Effective Urban Region Representation Learning Using Heterogeneous Urban
Graph Attention Network (HUGAT) [0.0]
都市域の表現を学習するためのヘテロジニアスな都市グラフアテンションネットワーク(HUGAT)を提案する。
ニューヨークのデータに関する我々の実験では、HUGATは最先端のすべてのモデルより優れています。
論文 参考訳（メタデータ） (2022-02-18T04:59:20Z) - Fine-Grained Population Mobility Data-Based Community-Level COVID-19
Prediction Model [5.548510262756311]
本研究では,2つの地域レベルのデータを利用した人口移動データモデル(FGC-COVID)を提案する。
CBGの埋め込みをコミュニティレベルに集約する空間重み付けアグリゲーションモジュールを導入する。
我々のモデルは、コミュニティレベルの新型コロナウイルスの予測において、既存の予測モデルよりも優れています。
論文 参考訳（メタデータ） (2022-02-13T08:40:47Z) - Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。
我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。
フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
論文 参考訳（メタデータ） (2021-04-30T12:47:52Z) - Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。
重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。
本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
論文 参考訳（メタデータ） (2020-05-04T17:45:18Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。