論文の概要: ST-ExpertNet: A Deep Expert Framework for Traffic Prediction
- arxiv url: http://arxiv.org/abs/2205.07851v1
- Date: Thu, 5 May 2022 13:17:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-22 18:32:51.145548
- Title: ST-ExpertNet: A Deep Expert Framework for Traffic Prediction
- Title（参考訳）: ST-ExpertNet - トラフィック予測のためのエキスパートフレームワーク
- Authors: Hongjun Wang, Jiyuan Chen, Zipei Fan, Zhiwen Zhang, Zekun Cai, and
Xuan Song
- Abstract要約: そこで我々は,ST-ExpertNetというフレームワークを提案する。このフレームワークは,すべての時空間モデルを採用し,特定のフローパターンを専門とする一連の機能的専門家を訓練することができる。
北京とニューヨークで、さまざまな現実世界のタクシーと自転車のデータセットの実験を行っている。
筆者らのST-ExpertNetは, 都市構造とともに, 混合流テンソルの解体に成功した。
- 参考スコア（独自算出の注目度）: 5.464164137992181
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, forecasting the crowd flows has become an important research topic,
and plentiful technologies have achieved good performances. As we all know, the
flow at a citywide level is in a mixed state with several basic patterns (e.g.,
commuting, working, and commercial) caused by the city area functional
distributions (e.g., developed commercial areas, educational areas and parks).
However, existing technologies have been criticized for their lack of
considering the differences in the flow patterns among regions since they want
to build only one comprehensive model to learn the mixed flow tensors.
Recognizing this limitation, we present a new perspective on flow prediction
and propose an explainable framework named ST-ExpertNet, which can adopt every
spatial-temporal model and train a set of functional experts devoted to
specific flow patterns. Technically, we train a bunch of experts based on the
Mixture of Experts (MoE), which guides each expert to specialize in different
kinds of flow patterns in sample spaces by using the gating network. We define
several criteria, including comprehensiveness, sparsity, and preciseness, to
construct the experts for better interpretability and performances. We conduct
experiments on a wide range of real-world taxi and bike datasets in Beijing and
NYC. The visualizations of the expert's intermediate results demonstrate that
our ST-ExpertNet successfully disentangles the city's mixed flow tensors along
with the city layout, e.g., the urban ring road structure. Different network
architectures, such as ST-ResNet, ConvLSTM, and CNN, have been adopted into our
ST-ExpertNet framework for experiments and the results demonstrates the
superiority of our framework in both interpretability and performances.
- Abstract（参考訳）: 近年,群集流の予測が重要な研究課題となり,多くの技術が優れた成果を上げている。
誰もが知っているように、都市全体の流量は、都市部機能分布(商業地域、教育地域、公園など)によって引き起こされるいくつかの基本的なパターン(通勤、労働、商業など)と混合状態にある。
しかし,混合流れテンソルを学習するための包括的モデルのみを構築したいため,領域間のフローパターンの違いを考慮せず,既存の技術が批判されている。
この制限を認識して、フロー予測の新しい視点を示し、ST-ExpertNetと呼ばれる説明可能なフレームワークを提案し、これは、すべての時空間モデルを採用し、特定のフローパターンに特化した機能専門家のセットを訓練することができる。
技術的には、専門家の混合(moe)に基づいて専門家を訓練し、gating networkを使って各専門家がサンプル空間内のさまざまなフローパターンを専門的に扱うように指導します。
総合性、スパース性、正確性などいくつかの基準を定義し、よりよい解釈可能性と性能のための専門家を構築する。
われわれは北京とニューヨークで、さまざまな現実世界のタクシーや自転車のデータセットを実験している。
専門家の中間結果の可視化により,st-expertnetは都市の混合流れテンソルと都市配置,例えば都市環状道路構造とを分離することに成功した。
ST-ResNet、ConvLSTM、CNNなどの異なるネットワークアーキテクチャが実験のためにST-ExpertNetフレームワークに採用され、その結果、解釈性と性能の両方において、我々のフレームワークの優位性を示している。
関連論文リスト
- Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。
具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。
そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
論文 参考訳（メタデータ） (2024-08-08T17:20:08Z) - Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for
Cross-City Semantic Segmentation using High-Resolution Domain Adaptation
Networks [82.82866901799565]
我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。
単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。
高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
論文 参考訳（メタデータ） (2023-09-26T23:55:39Z) - Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。
我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。
本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
論文 参考訳（メタデータ） (2023-07-04T05:19:19Z) - Complexity-aware Large Scale Origin-Destination Network Generation via
Diffusion Model [24.582615553841396]
Origin-Destination (OD) ネットワークは、市内の各地域から他の地域への人々の流れを推定する。
本稿では,ノードとエッジの条件付き結合確率分布を学習するために,ODネットワークの生成と拡散法の設計を提案する。
論文 参考訳（メタデータ） (2023-06-08T02:02:55Z) - Redesigning Multi-Scale Neural Network for Crowd Counting [68.674652984003]
本稿では, 集団カウントのための多スケール密度マップを階層的にマージする, 密度専門家の階層的混合を導入する。
階層構造の中では、すべてのスケールからの貢献を促進するために、専門家の競争とコラボレーションのスキームが提示されます。
実験の結果,提案手法は5つの公開データセット上での最先端性能を実現することがわかった。
論文 参考訳（メタデータ） (2022-08-04T21:49:29Z) - On the Representation Collapse of Sparse Mixture of Experts [102.83396489230375]
専門家のまばらな混合は、一定の計算オーバーヘッドを必要としながら、より大きなモデルキャパシティを提供する。
入力トークンを隠された表現に従ってベストマッチした専門家に分散するためにルーティング機構を使用する。
しかし、そのようなルーティングメカニズムを学ぶことで、専門家のセントロイドを中心にトークンのクラスタリングが促進され、表現の崩壊の傾向が示唆される。
論文 参考訳（メタデータ） (2022-04-20T01:40:19Z) - Gated Ensemble of Spatio-temporal Mixture of Experts for Multi-task Learning in Ride-hailing System [0.6338047104436422]
本研究では,畳み込みニューラルネットワーク (CNN) と畳み込みニューラルネットワーク (RNN) を併用したアンサンブルエキスパートネットワーク (GESME-Net) を開発し,タスクを同時に予測する。
i)北京の需要と需給を同時に予測し、(ii)成都と西安の需要を同時に予測する。
論文 参考訳（メタデータ） (2020-12-31T02:42:27Z) - 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) - Revisiting Convolutional Neural Networks for Citywide Crowd Flow
Analytics [27.42571939363958]
本稿では,街中における様々なクラウドフロー分析問題に対処するために,DeepLGRという新しいフレームワークを提案する。
本フレームワークは,1)各領域の表現を学習する局所的特徴抽出モジュール,2)グローバルなコンテキスト先行を抽出し,それらを増幅してグローバルな特徴を生成するグローバルコンテキストモジュール,3)テンソル分解に基づく地域固有の予測器により各領域にカスタマイズされた予測を提供する。
論文 参考訳（メタデータ） (2020-02-28T12:21:31Z) - Seismic horizon detection with neural networks [62.997667081978825]
本稿では,複数の実地震立方体上での地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
本研究の主な貢献は,複数実地震立方体における地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
論文 参考訳（メタデータ） (2020-01-10T11:30:50Z)
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。