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
- 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) - Exploring Progress in Multivariate Time Series Forecasting:
Comprehensive Benchmarking and Heterogeneity Analysis [72.18987459587682]
MTS予測における公正な比較のために設計されたベンチマークであるBasicTSを紹介する。
MTSデータセットの不均一性を強調し、時間的特徴と空間的特徴に基づいて分類する。
論文 参考訳(メタデータ) (2023-10-09T19:52:22Z) - 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) - Predicting Human Mobility via Self-supervised Disentanglement Learning [21.61423193132924]
本稿では,次のPOI予測問題に対処するため,SSDLと呼ばれる新しい解を提案する。
本研究では,人間の本質的な周期性と常に変化する意図の理解を高めるために,二つの現実的な軌道拡張手法を提案する。
4つの実世界のデータセットで実施された大規模な実験により、提案したSSDLは最先端のアプローチよりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-11-17T16:17:22Z) - 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) - Concurrent Credit Assignment for Data-efficient Reinforcement Learning [0.0]
状態と行動空間を広くサンプリングする能力は、効果的な強化学習アルゴリズムを構築する上で重要な要素である。
占有モデルは、探査が進むにつれて頻繁に更新される。
その結果, サンプリングの有効性は有意に向上し, トレーニング時間を短縮し, より高いリターンが得られた。
論文 参考訳(メタデータ) (2022-05-24T12:11:34Z) - 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) - 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) - Towards Handling Uncertainty-at-Source in AI -- A Review and Next Steps
for Interval Regression [6.166295570030645]
本稿では,近年の成長領域である区間値データの線形回帰に着目した。
我々は,最先端手法の詳細な分析を行い,特性の異なるデータセットに適用した場合の動作,利点,落とし穴を明らかにする。
論文 参考訳(メタデータ) (2021-04-15T05:31:10Z) - 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。