論文の概要: Exploring the impact of spatiotemporal granularity on the demand prediction of dynamic ride-hailing

• arxiv url: http://arxiv.org/abs/2203.10301v1
• Date: Sat, 19 Mar 2022 11:22:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-26 20:25:39.082592
• Title: Exploring the impact of spatiotemporal granularity on the demand prediction of dynamic ride-hailing
• Title（参考訳）: 動的配車における時空間粒度が需要予測に及ぼす影響の検討
• Authors: Kai Liu, Zhiju Chen, Toshiyuki Yamamoto and Liheng Tuo
• Abstract要約: 本稿では,中国成都における実証データを用いて,乗車時需要予測精度への影響について検討する。 ヘキサゴナル畳み込み操作(H-ConvLSTM)と組み合わせた畳み込み短期記憶モデルを提案する。
• 参考スコア（独自算出の注目度）: 2.5489902365061607
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic demand prediction is a key issue in ride-hailing dispatching. Many methods have been developed to improve the demand prediction accuracy of an increase in demand-responsive, ride-hailing transport services. However, the uncertainties in predicting ride-hailing demands due to multiscale spatiotemporal granularity, as well as the resulting statistical errors, are seldom explored. This paper attempts to fill this gap and to examine the spatiotemporal granularity effects on ride-hailing demand prediction accuracy by using empirical data for Chengdu, China. A convolutional, long short-term memory model combined with a hexagonal convolution operation (H-ConvLSTM) is proposed to explore the complex spatial and temporal relations. Experimental analysis results show that the proposed approach outperforms conventional methods in terms of prediction accuracy. A comparison of 36 spatiotemporal granularities with both departure demands and arrival demands shows that the combination of a hexagonal spatial partition with an 800 m side length and a 30 min time interval achieves the best comprehensive prediction accuracy. However, the departure demands and arrival demands reveal different variation trends in the prediction errors for various spatiotemporal granularities.
• Abstract（参考訳）: 動的需要予測は配車における重要な問題である。 需要対応型配車輸送サービスの増加の需要予測精度を向上させるために多くの手法が開発されている。 しかしながら、多スケール時空間的粒度による配車需要の予測の不確実性や結果として生じる統計誤差は、ほとんど解明されていない。 本稿では,中国成都の実証データを用いて,このギャップを埋め,配車需要予測精度に及ぼす時空間的粒度の影響を検討する。 ヘキサゴナル畳み込み操作(H-ConvLSTM)と組み合わせた畳み込み長短期記憶モデルを提案する。 実験解析の結果,提案手法は予測精度の点で従来の手法よりも優れていることがわかった。 ヘキサゴナル空間分割と800m側の長さと30分間の時間間隔を組み合わせた場合,36の時空間粒度を出発要求と到着要求の両方と比較すると,最も包括的な予測精度が得られた。 しかし、出発要求と到着要求は、様々な時空間的粒度の予測誤差において異なる変動傾向を示す。

関連論文リスト

• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Time Series Prediction under Distribution Shift using Differentiable Forgetting [0.0]
  我々は,重み付き経験的リスク最小化問題として,分布シフトの下での時系列予測について検討した。 経験的リスクにおける過去の観測の重み付けは、忘れる機構によって決定される。 そこで本研究では,忘れる機構のパラメータに対する勾配に基づく学習手法を提案する。
  論文  参考訳（メタデータ） (2022-07-23T10:32:37Z)
• HYPER: Learned Hybrid Trajectory Prediction via Factored Inference and Adaptive Sampling [27.194900145235007]
  本稿では,汎用的で表現力豊かなハイブリッド予測フレームワークHYPERを紹介する。 トラヒックエージェントをハイブリッドな離散連続システムとしてモデル化することにより、我々のアプローチは時間とともに離散的な意図の変化を予測することができる。 我々は、Argoverseデータセット上でモデルをトレーニングし、検証し、その効果を包括的アブレーション研究と最先端モデルとの比較を通して実証する。
  論文  参考訳（メタデータ） (2021-10-05T20:20:10Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Interval-censored Hawkes processes [82.87738318505582]
  本研究では,Hawkesプロセスのパラメータを間隔制限設定で推定するモデルを提案する。 我々は、ホークス族に対する非均質近似が、間隔検閲された設定において牽引可能な可能性を認めている方法を示す。
  論文  参考訳（メタデータ） (2021-04-16T07:29:04Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Temporally-Continuous Probabilistic Prediction using Polynomial Trajectory Parameterization [12.896275507449936]
  アクターの動作予測に一般的に使用される表現は、各アクターが個別の将来の時間ポイントで行う一連のウェイポイントである。 このアプローチは単純で柔軟であるが、中間時間ステップで非現実的な高次微分や近似誤差を示すことができる。 本稿では,軌道パラメータ化に基づく時間的連続軌道予測のための簡易かつ汎用的な表現を提案する。
  論文  参考訳（メタデータ） (2020-11-01T01:51:44Z)
• Preserving Dynamic Attention for Long-Term Spatial-Temporal Prediction [24.752083385400343]
  長期予測は非常にエラーに敏感であり、都市的な現象を予測する際にはより重要になる。 本稿では,新しいマルチスペースアテンション(MSA)機構を備えた動的スイッチアテンションネットワーク(DSAN)を提案する。 短期予測と長期予測の両方において,DSANの優位性を示す。
  論文  参考訳（メタデータ） (2020-06-16T00:56:43Z)
• Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow Profile [15.875569404476495]
  本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。 具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。 短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
  論文  参考訳（メタデータ） (2020-04-23T08:30:00Z)

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。