論文の概要: Enhancing crowd flow prediction in various spatial and temporal
granularities
- arxiv url: http://arxiv.org/abs/2203.07372v1
- Date: Sat, 12 Mar 2022 12:03:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-16 12:15:52.004531
- Title: Enhancing crowd flow prediction in various spatial and temporal
granularities
- Title(参考訳): 種々の空間的および時間的粒度における群集流予測の促進
- Authors: Marco Cardia, Massimiliano Luca, Luca Pappalardo
- Abstract要約: 本稿では,グラフ畳み込みネットワークに基づくクラウドフロー予測のソリューションであるCrowdNetを提案する。
我々のモデルは、都市環境における人間の変位を予測・説明するための信頼性の高い深層学習モデルの設計における一歩である。
- 参考スコア(独自算出の注目度): 0.02578242050187029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Thanks to the diffusion of the Internet of Things, nowadays it is possible to
sense human mobility almost in real time using unconventional methods (e.g.,
number of bikes in a bike station). Due to the diffusion of such technologies,
the last years have witnessed a significant growth of human mobility studies,
motivated by their importance in a wide range of applications, from traffic
management to public security and computational epidemiology. A mobility task
that is becoming prominent is crowd flow prediction, i.e., forecasting
aggregated incoming and outgoing flows in the locations of a geographic region.
Although several deep learning approaches have been proposed to solve this
problem, their usage is limited to specific types of spatial tessellations and
cannot provide sufficient explanations of their predictions. We propose
CrowdNet, a solution to crowd flow prediction based on graph convolutional
networks. Compared with state-of-the-art solutions, CrowdNet can be used with
regions of irregular shapes and provide meaningful explanations of the
predicted crowd flows. We conduct experiments on public data varying the
spatio-temporal granularity of crowd flows to show the superiority of our model
with respect to existing methods, and we investigate CrowdNet's reliability to
missing or noisy input data. Our model is a step forward in the design of
reliable deep learning models to predict and explain human displacements in
urban environments.
- Abstract(参考訳): モノのインターネットの普及により、近年では非伝統的な方法(例えば、自転車ステーション内の自転車の数など)を用いて、ほぼリアルタイムで人間の移動を検知できるようになっている。
このような技術の拡散により、過去数年間、交通管理から公共の安全、計算疫学まで幅広い応用において、人間の移動性研究の重要性から、大きな成長が見られた。
注目されるモビリティタスクは、クラウドフロー予測、すなわち、地理的領域の場所における集合的な流入フローと流出フローの予測である。
この問題を解決するためにいくつかのディープラーニングアプローチが提案されているが、それらの使用法は特定の空間的テッセルレーションに限られており、それらの予測について十分な説明が得られていない。
本稿では,グラフ畳み込みネットワークに基づくクラウドフロー予測のソリューションであるCrowdNetを提案する。
最先端のソリューションと比較して、CrowdNetは不規則な形状の領域で使用することができ、予測された群衆の流れについて意味のある説明を提供する。
本研究では,クラウドフローの時空間的粒度を変化させた公開データに関する実験を行い,既存の手法に対するモデルの優越性を示すとともに,クラウドネットの欠落やうるさい入力データに対する信頼性について検討する。
我々のモデルは、都市環境における人間の変位を予測・説明するための信頼性の高い深層学習モデルの設計における一歩である。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳(メタデータ) (2024-07-18T15:44:23Z) - Energy-Guided Data Sampling for Traffic Prediction with Mini Training Datasets [13.065729535009925]
本稿では、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)アーキテクチャを融合して、トラフィックフローのダイナミクスを予測する革新的なソリューションを提案する。
本研究の重要な成果は,小規模な交通システムを対象としたシミュレーションから,大規模交通システムのトレーニングデータをサンプリングできることである。
論文 参考訳(メタデータ) (2024-03-27T15:57:42Z) - 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) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳(メタデータ) (2023-08-02T23:39:24Z) - FairMobi-Net: A Fairness-aware Deep Learning Model for Urban Mobility
Flow Generation [2.30238915794052]
本研究では,地域間フロー予測のための,公平性を意識した新しい深層学習モデルFairMobi-Netを提案する。
本研究では,米国4都市を対象とした総合的な人体移動データを用いて,人口統計レベルでの人体フローを予測し,そのモデルの有効性を検証した。
モデルは様々な領域にわたって高い精度を維持しており、以前の公正な懸念に対処している。
論文 参考訳(メタデータ) (2023-07-20T19:56:30Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳(メタデータ) (2023-01-19T08:42:40Z) - Graph Neural Networks for Traffic Forecasting [0.0]
本稿では,交通予測の課題に着目し,この問題に対するグラフニューラルネットワーク(GNN)の最近の開発と応用について概観する。
GNNは、入力を直接グラフデータとして処理する深層学習手法のクラスである。
これにより、トラフィックデータの空間的依存関係をより直接的に活用し、ディープラーニングの利点を利用して最先端の結果が得られます。
論文 参考訳(メタデータ) (2021-04-27T10:39:00Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳(メタデータ) (2020-12-25T01:40:29Z) - Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。
生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。
我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
論文 参考訳(メタデータ) (2020-06-23T08:49:46Z) - Over-crowdedness Alert! Forecasting the Future Crowd Distribution [87.12694319017346]
提案手法は,クラウドビデオの逐次的フレームを識別アノテーションを使わずに,近い将来に群衆の分布を予測することを目的として,新しい群集解析問題を定式化したものである。
この問題を解決するために, 連続する群集映像フレームを入力とし, 対応する密度マップを補助情報として利用するグローバルな2ストリームリカレントネットワークを提案する。
論文 参考訳(メタデータ) (2020-06-09T08:59:54Z)
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。