Fugu-MT 論文翻訳(概要): Representation learning of rare temporal conditions for travel time prediction

論文の概要: Representation learning of rare temporal conditions for travel time prediction

arxiv url: http://arxiv.org/abs/2208.04667v1
Date: Tue, 9 Aug 2022 11:21:10 GMT
ステータス: 処理完了
システム内更新日: 2022-08-10 12:14:29.900916
Title: Representation learning of rare temporal conditions for travel time prediction
Title（参考訳）: 旅行時間予測のための希少時間条件の表現学習
Authors: Niklas Petersen, Filipe Rodrigues, Francisco Pereira
Abstract要約: 稀な時間条件を符号化するベクトル空間モデルを提案し、時間条件の異なるコヒーレントな表現学習を可能にする。ベクトル空間符号化を用いて時間的設定を表現する場合、異なる基準線上での走行時間予測の性能が向上することを示す。
参考スコア（独自算出の注目度）: 9.245862463309598
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Predicting travel time under rare temporal conditions (e.g., public holidays, school vacation period, etc.) constitutes a challenge due to the limitation of historical data. If at all available, historical data often form a heterogeneous time series due to high probability of other changes over long periods of time (e.g., road works, introduced traffic calming initiatives, etc.). This is especially prominent in cities and suburban areas. We present a vector-space model for encoding rare temporal conditions, that allows coherent representation learning across different temporal conditions. We show increased performance for travel time prediction over different baselines when utilizing the vector-space encoding for representing the temporal setting.
Abstract（参考訳）: 稀な時間的状況(例えば、休日、学校休暇期間など)での旅行時間の予測は、歴史的データの制限による課題となる。もし可能であれば、履歴データは、長い時間(例えば、道路工事、交通の落ち着くイニシアチブなど)における他の変化の確率が高いために、不均質な時系列を形成することが多い。これは特に都市や郊外で顕著である。稀な時間条件を符号化するベクトル空間モデルを提案し、時間条件の異なるコヒーレントな表現学習を可能にする。ベクトル空間符号化を用いて時間的設定を表現する場合、異なる基準線上での走行時間予測の性能向上を示す。

関連論文リスト

Extralonger: Toward a Unified Perspective of Spatial-Temporal Factors for Extra-Long-Term Traffic Forecasting [69.4265346261936]
時間的・空間的要因を統一するExtralongerを導入する。これは特に、現実のベンチマークで1週間まで予測の地平を広げている。長期および長期のシナリオで新しい標準を設定する。
論文参考訳（メタデータ） (2024-10-30T04:28:20Z)
Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための生成変換器Timer-XLを提案する。 Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-10-07T07:27:39Z)
Time Weaver: A Conditional Time Series Generation Model [13.273004650019827]
時系列は、しばしば一対の不均一な文脈メタデータで富む。 Time Weaverは、異種メタデータを活用する新しい拡散ベースのモデルである。 Time Weaverは、実世界のエネルギー、医療、空気質、交通データに関する最先端のベンチマークよりも優れています。
論文参考訳（メタデータ） (2024-03-05T06:10:22Z)
REPLAY: Modeling Time-Varying Temporal Regularities of Human Mobility for Location Prediction over Sparse Trajectories [7.493786214342181]
位置予測のための時間変化の時間的規則性を把握するための一般RNNアーキテクチャ学習であるREPLAYを提案する。特に、REPLAYは、情報の隠された過去の状態を探すために、スパース軌跡の距離を利用するだけでなく、時間変化の時間的規則性も許容する。その結果、REPLAYは位置予測タスクにおいて、最先端の手法を7.7%から10.9%向上させることができた。
論文参考訳（メタデータ） (2024-02-26T05:28:36Z)
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)
Contrastive Difference Predictive Coding [79.74052624853303]
本研究では、時系列データの断片を縫合して、将来の事象の予測を学習するために必要なデータの量を減少させるコントラッシブ予測符号化の時間差版を導入する。目的条件付きRLの非政治アルゴリズムを導出するために,この表現学習手法を適用した。
論文参考訳（メタデータ） (2023-10-31T03:16:32Z)
Instructed Diffuser with Temporal Condition Guidance for Offline Reinforcement Learning [71.24316734338501]
テンポラリ・コンポラブル・ディフューザ(TCD)を用いた実効時間条件拡散モデルを提案する。 TCDは、相互作用シーケンスから時間情報を抽出し、時間条件で生成を明示的にガイドする。提案手法は,従来のSOTAベースラインと比較して最高の性能を達成または一致させる。
論文参考訳（メタデータ） (2023-06-08T02:12:26Z)
Encoding Time-Series Explanations through Self-Supervised Model Behavior Consistency [26.99599329431296]
トレーニング説明書の時系列一貫性モデルであるTimeXを提案する。 TimeXは、事前訓練された時系列モデルの振る舞いを模倣するために解釈可能なサロゲートを訓練する。我々は8つの合成および実世界のデータセット上でTimeXを評価し、その性能を最先端の解釈可能性手法と比較した。
論文参考訳（メタデータ） (2023-06-03T13:25:26Z)
TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。私たちのコードはGitHubで公開されます。
論文参考訳（メタデータ） (2023-01-05T22:10:16Z)
VQ-AR: Vector Quantized Autoregressive Probabilistic Time Series Forecasting [10.605719154114354]
時系列モデルは過去の予測を正確に予測することを目的としており、そこではビジネス上の意思決定のような重要な下流のタスクに予測が使用される。本稿では,新しい自己回帰型アーキテクチャであるVQ-ARを提案する。
論文参考訳（メタデータ） (2022-05-31T15:43:46Z)
Towards Spatio-Temporal Aware Traffic Time Series Forecasting--Full Version [37.09531298150374]
同じ時系列パターンの複雑な時系列パターンが時間によって異なる可能性があるため、トラフィックシリーズの予測は困難である。このような時間的モデルは、時間的位置と時間的期間に関わらず、共有パラメータ空間を使用し、時間的相関は場所間で類似しており、常に時間にわたって保持するわけではないと仮定する。サブテンポラリモデルにICDを意識したモデルをエンコードするフレームワークを提案する。
論文参考訳（メタデータ） (2022-03-29T16:44:56Z)

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。