論文の概要: A Baselined Gated Attention Recurrent Network for Request Prediction in
Ridesharing
- arxiv url: http://arxiv.org/abs/2207.04709v1
- Date: Mon, 11 Jul 2022 08:41:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-12 13:02:27.072397
- Title: A Baselined Gated Attention Recurrent Network for Request Prediction in
Ridesharing
- Title（参考訳）: ライドシェアリングにおける要求予測のための基本ゲート型注意リカレントネットワーク
- Authors: Jingran Shen, Nikos Tziritas and Georgios Theodoropoulos
- Abstract要約: ライドシェアリングは、ドライバーと乗客の両方にとって利便性とコスト効率のため、世界的に人気がある。
RSODP(Origin-Destination Prediction for Ride Share)問題の目的は、将来の配車要求を予測し、事前に車両のスケジュールを提供することである。
既存の予測モデルの多くはDeep Learningを利用しているが、空間力学と時間力学の両方を効果的に考慮していない。
- 参考スコア（独自算出の注目度）: 1.0312968200748118
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ridesharing has received global popularity due to its convenience and cost
efficiency for both drivers and passengers and its strong potential to
contribute to the implementation of the UN Sustainable Development Goals. As a
result recent years have witnessed an explosion of research interest in the
RSODP (Origin-Destination Prediction for Ridesharing) problem with the goal of
predicting the future ridesharing requests and providing schedules for vehicles
ahead of time. Most of existing prediction models utilise Deep Learning,
however they fail to effectively consider both spatial and temporal dynamics.
In this paper the Baselined Gated Attention Recurrent Network (BGARN), is
proposed, which uses graph convolution with multi-head gated attention to
extract spatial features, a recurrent module to extract temporal features, and
a baselined transferring layer to calculate the final results. The model is
implemented with PyTorch and DGL (Deep Graph Library) and is experimentally
evaluated using the New York Taxi Demand Dataset. The results show that BGARN
outperforms all the other existing models in terms of prediction accuracy.
- Abstract（参考訳）: ライドシェアリングは、ドライバーと乗客の両方にとって利便性とコスト効率、および国連持続可能な開発目標の実現に貢献する可能性から、世界的に人気がある。
その結果、近年、将来の配車要求を予測し、事前に車両のスケジュールを提供することを目的として、RSODP(Origin-Destination Prediction for Ridesharing)問題に対する研究の関心が爆発的に高まった。
既存の予測モデルの多くはDeep Learningを利用しているが、空間力学と時間力学の両方を効果的に考慮していない。
本稿では,空間的特徴量を抽出するためのグラフ畳み込み,時間的特徴量を抽出するリカレントモジュール,最終結果を計算するベースラインド・トランスファー層,マルチヘッド・ゲート・アテンションを用いたベースラインド・アテンション・リカレント・ネットワーク(bgarn)を提案する。
このモデルはPyTorchとDGL(ディープグラフライブラリ)で実装され、ニューヨークタクシー需要データセットを用いて実験的に評価されている。
その結果,bgarnは他のモデルよりも予測精度が優れていることがわかった。
関連論文リスト
- Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - 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) - GNN-based Passenger Request Prediction [0.3480973072524161]
本稿では,乗客のオリジン・デスティネーション(OD)フローを予測するために,意識メカニズムとともにグラフニューラルネットワークフレームワークを開発する。
提案するフレームワークは,異なる場所から発生する要求の間に発生する線形および非線形の依存関係を利用する。
道路網をカバーするグリッドセルの最適サイズは、モデルの複雑さと精度を保っている。
論文 参考訳（メタデータ） (2023-01-06T14:04:46Z) - Similarity-based Feature Extraction for Large-scale Sparse Traffic
Forecasting [4.295541562380963]
NeurIPS 2022 Traffic4cast チャレンジは、公共に利用可能なスパースループ数データで都市全体の交通状態を予測することを目的としている。
この技術報告は、ETA予測の拡張課題に対して、私たちの2位獲得ソリューションを紹介します。
論文 参考訳（メタデータ） (2022-11-13T22:19:21Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳（メタデータ） (2022-05-06T13:45:32Z) - Real-Time Forecasting of Dockless Scooter-Sharing Demand: A
Spatio-Temporal Multi-Graph Transformer Approach [5.6973480878880824]
本稿では,S-TMGT (S-Temporal Multi-Graph Transformer) という新しいディープラーニングアーキテクチャを提案する。
提案したモデルは、マイクロモビリティーオペレーターが最適な車両再バランススキームを開発し、ドックレススクーターシェアリングオペレーションをよりよく管理するために都市を案内するのに役立つ。
論文 参考訳（メタデータ） (2021-11-02T03:48:48Z) - Random vector functional link neural network based ensemble deep
learning for short-term load forecasting [14.184042046855884]
本稿では,電力負荷予測のための新しいアンサンブルディープランダム関数リンク(edRVFL)を提案する。
隠されたレイヤは、深い表現学習を強制するために積み上げられます。
モデルは各層の出力をアンサンブルすることで予測を生成する。
論文 参考訳（メタデータ） (2021-07-30T01:20:48Z) - SLPC: a VRNN-based approach for stochastic lidar prediction and
completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。
提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。
VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文 参考訳（メタデータ） (2021-02-19T11:56:44Z) - Attentional-GCNN: Adaptive Pedestrian Trajectory Prediction towards
Generic Autonomous Vehicle Use Cases [10.41902340952981]
本稿では,グラフのエッジに注目重みを割り当てることで,歩行者間の暗黙的相互作用に関する情報を集約する,GCNNに基づく新しいアプローチであるAttentional-GCNNを提案する。
提案手法は,10%平均変位誤差 (ADE) と12%最終変位誤差 (FDE) を高速な推論速度で向上することを示す。
論文 参考訳（メタデータ） (2020-11-23T03:13:26Z) - PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。
我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
論文 参考訳（メタデータ） (2020-05-29T17:57:25Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。