論文の概要: Uncertainty Quantification of Sparse Travel Demand Prediction with
Spatial-Temporal Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2208.05908v1
- Date: Thu, 11 Aug 2022 16:21:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-12 13:03:09.389507
- Title: Uncertainty Quantification of Sparse Travel Demand Prediction with
Spatial-Temporal Graph Neural Networks
- Title（参考訳）: 時空間グラフニューラルネットワークを用いたスパース走行予測の不確かさの定量化
- Authors: Dingyi Zhuang, Shenhao Wang, Haris N. Koutsopoulos, and Jinhua Zhao
- Abstract要約: 本研究では,空間的ゼロインフレーション型負二項グラフニューラルネットワーク(STZINB-GNN)を開発し,スパース走行需要の不確かさを定量化する。
拡散と時間的畳み込みネットワークを用いて空間的および時間的相関を解析し、それから融合して旅行需要の確率分布をパラメータ化する。
その結果,特に時空間分解能が高い場合,ベンチマークモデルよりもSTZINB-GNNの方が優れていることが示された。
- 参考スコア（独自算出の注目度）: 4.488583779590991
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Origin-Destination (O-D) travel demand prediction is a fundamental challenge
in transportation. Recently, spatial-temporal deep learning models demonstrate
the tremendous potential to enhance prediction accuracy. However, few studies
tackled the uncertainty and sparsity issues in fine-grained O-D matrices. This
presents a serious problem, because a vast number of zeros deviate from the
Gaussian assumption underlying the deterministic deep learning models. To
address this issue, we design a Spatial-Temporal Zero-Inflated Negative
Binomial Graph Neural Network (STZINB-GNN) to quantify the uncertainty of the
sparse travel demand. It analyzes spatial and temporal correlations using
diffusion and temporal convolution networks, which are then fused to
parameterize the probabilistic distributions of travel demand. The STZINB-GNN
is examined using two real-world datasets with various spatial and temporal
resolutions. The results demonstrate the superiority of STZINB-GNN over
benchmark models, especially under high spatial-temporal resolutions, because
of its high accuracy, tight confidence intervals, and interpretable parameters.
The sparsity parameter of the STZINB-GNN has physical interpretation for
various transportation applications.
- Abstract（参考訳）: O-D(Origin-Destination)旅行需要予測は交通の基本的な課題である。
近年,空間的-時間的深層学習モデルが予測精度を高める可能性を示している。
しかしながら、細粒度o-d行列における不確実性とスパーシティの問題に取り組む研究はほとんどなかった。
これは、決定論的深層学習モデルの基礎となるガウスの仮定から多くの零点が逸脱するため、深刻な問題となる。
この問題に対処するため,空間的ゼロ膨張負二項グラフニューラルネットワーク(STZINB-GNN)を設計し,スパーストラベル需要の不確かさを定量化する。
拡散と時間的畳み込みネットワークを用いて空間的および時間的相関を解析し、それから融合して旅行需要の確率分布をパラメータ化する。
STZINB-GNNは空間分解能と時間分解能の異なる2つの実世界のデータセットを用いて検討した。
その結果,stzinb-gnnは,高い空間時間分解能,高い精度,密接な信頼区間,解釈可能なパラメータにより,ベンチマークモデルよりも優れていることがわかった。
STZINB-GNNの空間パラメータは、様々な輸送用途に対して物理的に解釈される。
関連論文リスト
- Hybridization of Persistent Homology with Neural Networks for Time-Series Prediction: A Case Study in Wave Height [0.0]
本稿では,ニューラルネットワークモデルの予測性能を向上させる機能工学手法を提案する。
具体的には、計算トポロジ手法を利用して、入力データから貴重なトポロジ的特徴を導出する。
タイムアヘッド予測では、FNN、RNN、LSTM、GRUモデルにおいて、R2$スコアの強化が重要だった。
論文 参考訳（メタデータ） (2024-09-03T01:26:21Z) - Uncertainty-Aware Crime Prediction With Spatial Temporal Multivariate Graph Neural Networks [12.027484258239824]
犯罪事件は、特に小さな地域や特定の期間内では、まばらである。
伝統的な時空間深層学習モデルは、しばしばこの空間性に苦しむ。
時空間多変量ゼロ拡張負二項グラフニューラルネットワーク(STMGNN-ZINB)という新しいアプローチを導入する。
論文 参考訳（メタデータ） (2024-08-08T03:25:41Z) - Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。
しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。
本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
論文 参考訳（メタデータ） (2024-03-11T21:54:52Z) - Uncertainty Quantification via Spatial-Temporal Tweedie Model for
Zero-inflated and Long-tail Travel Demand Prediction [5.9489254626049926]
高分解能O-D行列のスパース特性と長テール特性に対処する時空間ツイーディグラフニューラルネットワーク(STTD)を提案する。
評価の結果,特に高分解能シナリオにおいて,STTDが精度の高い予測と精度の高い信頼区間を提供するのに優れていることが示された。
論文 参考訳（メタデータ） (2023-06-16T14:50:43Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - Uncertainty Quantification of Spatiotemporal Travel Demand with
Probabilistic Graph Neural Networks [10.205514928390974]
近年の研究では、グラフニューラルネットワークによる旅行需要の予測精度が大幅に向上している。
本研究では,旅行需要の不確実性の定量化を目的とした確率的グラフニューラルネットワーク(Prob-GNN)の枠組みを提案する。
論文 参考訳（メタデータ） (2023-03-07T16:49:46Z) - Learning Low Dimensional State Spaces with Overparameterized Recurrent
Neural Nets [57.06026574261203]
我々は、長期記憶をモデル化できる低次元状態空間を学習するための理論的証拠を提供する。
実験は、線形RNNと非線形RNNの両方で低次元状態空間を学習することで、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2022-10-25T14:45:15Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳（メタデータ） (2022-04-01T17:57:36Z) - Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。
解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文 参考訳（メタデータ） (2021-10-06T16:08:44Z) - Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。
現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。
これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文 参考訳（メタデータ） (2020-06-04T08:00:00Z)
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。