論文の概要: On the importance of stationarity, strong baselines and benchmarks in transport prediction problems

• arxiv url: http://arxiv.org/abs/2203.02954v1
• Date: Sun, 6 Mar 2022 12:48:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-08 15:13:53.875414
• Title: On the importance of stationarity, strong baselines and benchmarks in transport prediction problems
• Title（参考訳）: 輸送予測問題における定常性, 強塩基線, ベンチマークの重要性について
• Authors: Filipe Rodrigues
• Abstract要約: 本研究では,空間時間予測のための多くの最先端深層学習手法に匹敵する結果が得られることを示す。 空間時間予測のための新しいアプローチを比較するために,9つの異なる基準ベンチマークを構築した。
• 参考スコア（独自算出の注目度）: 9.442139459221785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the last years, the transportation community has witnessed a tremendous amount of research contributions on new deep learning approaches for spatio-temporal forecasting. These contributions tend to emphasize the modeling of spatial correlations, while neglecting the fairly stable and recurrent nature of human mobility patterns. In this short paper, we show that a naive baseline method based on the average weekly pattern and linear regression can achieve comparable results to many state-of-the-art deep learning approaches for spatio-temporal forecasting in transportation, or even outperform them on several datasets, thus contrasting the importance of stationarity and recurrent patterns in the data with the importance of spatial correlations. Furthermore, we establish 9 different reference benchmarks that can be used to compare new approaches for spatio-temporal forecasting, and provide a discussion on best practices and the direction that the field is taking.
• Abstract（参考訳）: 過去数年間、交通コミュニティは時空間予測のための新しい深層学習アプローチに関する膨大な研究成果を目撃してきた。 これらの貢献は、人間の移動パターンのかなり安定的で反復的な性質を無視しながら、空間的相関のモデリングを強調する傾向がある。 本稿では, 平均週次パターンと線形回帰に基づく素案ベースライン法が, 交通機関の時空間予測における最先端の深層学習手法に匹敵する結果が得られること, あるいは複数のデータセットにおいて, 定常性や繰り返しパターンの重要性を, 空間的相関の重要性と対比すること, などを示す。 さらに、時空間予測のための新しいアプローチを比較するために使用できる9つの異なる参照ベンチマークを確立し、ベストプラクティスとこの分野の方向性について議論する。

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)
• Deep End-to-End Survival Analysis with Temporal Consistency [49.77103348208835]
  本稿では,大規模長手データの処理を効率的に行うために,Survival Analysisアルゴリズムを提案する。 我々の手法における中心的な考え方は、時間とともにデータにおける過去と将来の成果が円滑に進化するという仮説である時間的一貫性である。 我々のフレームワークは、安定したトレーニング信号を提供することで、時間的一貫性を大きなデータセットに独自に組み込む。
  論文  参考訳（メタデータ） (2024-10-09T11:37:09Z)
• Robust Traffic Forecasting against Spatial Shift over Years [11.208740750755025]
  新たに提案したトラフィックOODベンチマークを用いて,時空間技術モデルについて検討する。 これらのモデルのパフォーマンスが著しく低下していることが分かりました。 そこで我々は,学習中にグラフ生成器の集合を学習し,それらを組み合わせて新しいグラフを生成するMixture Expertsフレームワークを提案する。 我々の手法は相似的かつ有効であり、任意の時間モデルにシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-10-01T03:49:29Z)
• COOL: A Conjoint Perspective on Spatio-Temporal Graph Neural Network for Traffic Forecasting [10.392021668859272]
  本稿では,先行情報と後続情報から異種グラフをモデル化し,高次時間関係を連続的に捉えるコンジョイント時空間グラフニューラルネットワーク(COOL)を提案する。 交通予知性を高めるために,マルチランクとマルチスケールの両方から多様な時間パターンをモデル化するコンジョイント・アテンション・デコーダを提案する。
  論文  参考訳（メタデータ） (2024-03-02T04:30:09Z)
• Revisiting the Temporal Modeling in Spatio-Temporal Predictive Learning under A Unified View [73.73667848619343]
  UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2023-10-09T16:17:42Z)
• Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
  本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。 我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。 ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
  論文  参考訳（メタデータ） (2022-08-05T09:36:55Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• Decoupling Long- and Short-Term Patterns in Spatiotemporal Inference [31.245426664456257]
  高価なため、大量のセンサーを配備するのは現実的ではない。 きめ細かいデータ測定の仕方は、長い間、迫りくる問題だった。 本稿では,短期パターンの空間的および時間的関係を学習するためのグラフ時間的注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-09-16T03:06:31Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。