論文の概要: Spatiotemporal k-means

• arxiv url: http://arxiv.org/abs/2211.05337v1
• Date: Thu, 10 Nov 2022 04:40:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 15:40:44.028876
• Title: Spatiotemporal k-means
• Title（参考訳）: 時空間k-means
• Authors: Olga Dorabiala, Jennifer Webster, Nathan Kutz, Aleksandr Aravkin
• Abstract要約: 時空間クラスタリングは、人間の監督なしに動く物体のパターンや傾向を効率的に発見する必要性に対処する。 データクラスタ内のマルチテンポラリな関係を解析できるSTKMを提案する。 STKMは,特に低データ領域において,既存の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 63.230991774875044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatiotemporal data is readily available due to emerging sensor and data acquisition technologies that track the positions of moving objects of interest. Spatiotemporal clustering addresses the need to efficiently discover patterns and trends in moving object behavior without human supervision. One application of interest is the discovery of moving clusters, where clusters have a static identity, but their location and content can change over time. We propose a two phase spatiotemporal clustering method called spatiotemporal k-means (STKM) that is able to analyze the multi-scale relationships within spatiotemporal data. Phase 1 of STKM frames the moving cluster problem as the minimization of an objective function unified over space and time. It outputs the short-term associations between objects and is uniquely able to track dynamic cluster centers with minimal parameter tuning and without post-processing. Phase 2 outputs the long-term associations and can be applied to any method that provides a cluster label for each object at every point in time. We evaluate STKM against baseline methods on a recently developed benchmark dataset and show that STKM outperforms existing methods, particularly in the low-data domain, with significant performance improvements demonstrated for common evaluation metrics on the moving cluster problem.
• Abstract（参考訳）: 時空間データは、興味のある移動物体の位置を追跡する新しいセンサーとデータ取得技術によって容易に利用できる。 時空間クラスタリングは、人間の監督なしに物体の動きのパターンや傾向を効率的に発見する必要性に対処する。 興味深い応用の1つは移動クラスタの発見である。クラスタは静的なアイデンティティを持つが、その位置と内容は時間とともに変化する可能性がある。 本研究では,時空間データ内の多元的関係を解析できるspatiotemporal k-means (stkm) と呼ばれる2相時空間クラスタリング法を提案する。 STKMのフェーズ1は、移動クラスタ問題を、空間と時間で統一された目的関数の最小化として表している。 オブジェクト間の短期的な関連を出力し、パラメータチューニングを最小限に抑え、後処理なしで動的クラスタセンターを追跡することができる。 フェーズ2は長期的な関連を出力し、各時点において各オブジェクトにクラスタラベルを提供する任意のメソッドに適用することができる。 我々は,最近開発されたベンチマークデータセットのベースライン手法に対してSTKMを評価し,STKMが既存の手法,特に低データ領域よりも優れていることを示す。

関連論文リスト

• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Spatial-Temporal Cross-View Contrastive Pre-training for Check-in Sequence Representation Learning [21.580705078081078]
  本稿では,チェックインシーケンス表現学習のための空間-時間的クロスビューコントラスト表現(ST CCR)フレームワークを提案する。 ST CCRは「空間的話題」と「時間的意図」の視点から自己スーパービジョンを採用し、意味レベルでの空間的情報と時間的情報の効果的な融合を促進する。 実世界の3つのデータセット上でST CCRを広範囲に評価し、3つの下流タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-22T10:20:34Z)
• Concrete Dense Network for Long-Sequence Time Series Clustering [4.307648859471193]
  時系列クラスタリングは、時間的パターンを発見するためのデータ分析において基本である。 深部時間クラスタリング手法は、ニューラルネットワークのエンドツーエンドトレーニングに標準k平均を組み込もうとしている。 LoSTerは、時系列クラスタリング問題に対する新しい密集型オートエンコーダアーキテクチャである。
  論文  参考訳（メタデータ） (2024-05-08T12:31:35Z)
• Autoregressive Queries for Adaptive Tracking with Spatio-TemporalTransformers [55.46413719810273]
  リッチ時間情報は、視覚追跡における複雑なターゲットの出現に不可欠である。 提案手法は,6つの一般的な追跡ベンチマークにおいてトラッカーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-03-15T02:39:26Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Time Series Clustering for Human Behavior Pattern Mining [11.906475748246532]
  時系列データから人間の行動をモデル化するための新しいクラスタリング手法を提案する。 頻繁な人間の行動パターンを効果的にマイニングするために、我々は3段階のパイプラインを利用する。 2つの実世界のデータセットとシミュレーションデータセットに関する実証研究は、MTパターンの有効性を実証している。
  論文  参考訳（メタデータ） (2021-10-14T17:19:35Z)
• Clustering of Time Series Data with Prior Geographical Information [0.26651200086513094]
  本研究では,空間的・時間的文脈に基づく時系列データを用いた時空間クラスタリングモデルを提案する。 提案したSpatial-DEC(Spatial-DEC)は,遅延特徴表現の構築に先立つ地理情報を利用する。 その結果,提案した空間DECはより望ましい時間的クラスタを見つけることができることがわかった。
  論文  参考訳（メタデータ） (2021-07-03T00:19:17Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。