論文の概要: ODformer: Spatial-Temporal Transformers for Long Sequence
Origin-Destination Matrix Forecasting Against Cross Application Scenario
- arxiv url: http://arxiv.org/abs/2208.08218v1
- Date: Wed, 17 Aug 2022 10:58:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 12:52:37.104053
- Title: ODformer: Spatial-Temporal Transformers for Long Sequence
Origin-Destination Matrix Forecasting Against Cross Application Scenario
- Title（参考訳）: ODformer: クロスアプリケーションシナリオに対する時系列行列予測のための空間時間変換器
- Authors: Jin Huang, Bosong Huang, Weihao Yu, Jing Xiao, Ruzhong Xie, Ke Ruan
- Abstract要約: Origin-Destination (OD) は、一対のOD領域間の方向流データを記録する。
関連する手法のほとんどは、特定のアプリケーションシナリオにおける非常に短い時系列時系列の予測のために設計されている。
本稿では,2つの有意な特性を持つODformerというトランスフォーマー様モデルを提案する。
- 参考スコア（独自算出の注目度）: 18.241804329382543
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Origin-Destination (OD) matrices record directional flow data between pairs
of OD regions. The intricate spatiotemporal dependency in the matrices makes
the OD matrix forecasting (ODMF) problem not only intractable but also
non-trivial. However, most of the related methods are designed for very short
sequence time series forecasting in specific application scenarios, which
cannot meet the requirements of the variation in scenarios and forecasting
length of practical applications. To address these issues, we propose a
Transformer-like model named ODformer, with two salient characteristics: (i)
the novel OD Attention mechanism, which captures special spatial dependencies
between OD pairs of the same origin (destination), greatly improves the ability
of the model to predict cross-application scenarios after combining with 2D-GCN
that captures spatial dependencies between OD regions. (ii) a PeriodSparse
Self-attention that effectively forecasts long sequence OD matrix series while
adapting to the periodic differences in different scenarios. Generous
experiments in three application backgrounds (i.e., transportation traffic, IP
backbone network traffic, crowd flow) show our method outperforms the
state-of-the-art methods.
- Abstract（参考訳）: Origin-Destination (OD) 行列は、一対のOD領域間の方向流データを記録する。
行列における複雑な時空間依存性により、OD行列予測(ODMF)問題は難解であるだけでなく、非自明である。
しかし、関連する手法の多くは、特定のアプリケーションシナリオにおける非常に短いシーケンス時系列予測のために設計されており、シナリオの変動や実用的なアプリケーションの長さの予測の要件を満たせない。
そこで本研究では,2つの特性を有する変圧器ライクなモデルであるodformerを提案する。
(i)同じ起源のODペア間の特別な空間依存性をキャプチャする新しいODアテンション機構は、OD領域間の空間依存性をキャプチャする2D-GCNと組み合わせた後に、アプリケーション間シナリオを予測するモデルの能力を大幅に向上させる。
2) 異なるシナリオの周期的差異に適応しつつ, 時系列OD行列列を効果的に予測する周期的自己注意。
3つのアプリケーション背景(トランスポートトラフィック、IPバックボーンネットワークトラフィック、クラウドフロー)において、我々の手法は最先端の手法よりも優れていることを示す。
関連論文リスト
- Double-Path Adaptive-correlation Spatial-Temporal Inverted Transformer for Stock Time Series Forecasting [1.864621482724548]
本稿では,ストックデータから動的空間情報をより包括的に抽出するDPA-STIFormer(Double-Path Adaptive-Temporal Inverted Transformer)を提案する。
4つの株式市場データセットで実施された実験は、最先端の結果を示し、潜在時間相関パターンを明らかにする際のモデルの優れた能力を検証する。
論文 参考訳（メタデータ） (2024-09-24T01:53:22Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - A DeepLearning Framework for Dynamic Estimation of Origin-Destination
Sequence [63.70447384033326]
本稿では,ODシーケンスの構造を推論する深層学習手法と,従来の数値最適化を導く構造制約を用いた統合手法を提案する。
実験の結果,ニューラルネットワークはODシーケンスの構造を効果的に推論し,数値最適化のための実用的な制約を提供することで,より良い結果が得られることがわかった。
論文 参考訳（メタデータ） (2023-07-11T04:58:45Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳（メタデータ） (2022-06-16T17:15:15Z) - Dynamic Graph Learning Based on Hierarchical Memory for
Origin-Destination Demand Prediction [12.72319550363076]
本稿では,OD要求予測のための動的グラフ表現学習フレームワークを提案する。
特に、階層型メモリ更新器が最初に提案され、各ノードのタイムアウェア表現が維持される。
時間的伝搬機構は、ランダムな時間的経路に沿って隣接ノードの表現を集約する。
目的関数は、最新のノードに従って将来のOD要求を導出するように設計されている。
論文 参考訳（メタデータ） (2022-05-29T07:52:35Z) - Online Metro Origin-Destination Prediction via Heterogeneous Information
Aggregation [99.54200992904721]
我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。
ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。
DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。
提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
論文 参考訳（メタデータ） (2021-07-02T10:11:51Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z) - Forecast Network-Wide Traffic States for Multiple Steps Ahead: A Deep
Learning Approach Considering Dynamic Non-Local Spatial Correlation and
Non-Stationary Temporal Dependency [6.019104024723682]
本研究では,交通予測における2つの問題について検討する。(1)交通リンク間の動的・非局所的な空間的相関を捉え,(2)正確な複数ステップの予測を行うための時間依存性のダイナミクスをモデル化する。
本稿では,これらの問題に対処するため,時空間列列モデル(STSeq2Seq)というディープラーニングフレームワークを提案する。
このモデルは、時間的特徴を捉えるためにシーケンスからシーケンス(seq2seq)アーキテクチャに基づいて構築され、空間情報を集約するためのグラフ畳み込みに依存している。
論文 参考訳（メタデータ） (2020-04-06T03:40:56Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳（メタデータ） (2020-01-09T10:21:04Z)
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。