論文の概要: Geo-Adaptive Deep Spatio-Temporal predictive modeling for human mobility
- arxiv url: http://arxiv.org/abs/2211.14885v1
- Date: Sun, 27 Nov 2022 16:51:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 16:23:59.212544
- Title: Geo-Adaptive Deep Spatio-Temporal predictive modeling for human mobility
- Title（参考訳）: ジオ適応型深部時空間予測モデルによるモビリティ
- Authors: Syed Mohammed Arshad Zaidi, Varun Chandola, EunHye Yoo
- Abstract要約: 深部GA-vLSは、データが不規則なデータを扱うという課題に直面し、定形かつ規則的なテンソル形状のデータを仮定する。
本稿では,その再帰的メカニズムを維持しつつ,新たなデータ構造に基づくジオアウェアな学習操作を提案する。
- 参考スコア（独自算出の注目度）: 5.864710987890994
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning approaches for spatio-temporal prediction problems such as
crowd-flow prediction assumes data to be of fixed and regular shaped tensor and
face challenges of handling irregular, sparse data tensor. This poses
limitations in use-case scenarios such as predicting visit counts of
individuals' for a given spatial area at a particular temporal resolution using
raster/image format representation of the geographical region, since the
movement patterns of an individual can be largely restricted and localized to a
certain part of the raster. Additionally, current deep-learning approaches for
solving such problem doesn't account for the geographical awareness of a region
while modelling the spatio-temporal movement patterns of an individual. To
address these limitations, there is a need to develop a novel strategy and
modeling approach that can handle both sparse, irregular data while
incorporating geo-awareness in the model. In this paper, we make use of
quadtree as the data structure for representing the image and introduce a novel
geo-aware enabled deep learning layer, GA-ConvLSTM that performs the
convolution operation based on a novel geo-aware module based on quadtree data
structure for incorporating spatial dependencies while maintaining the
recurrent mechanism for accounting for temporal dependencies. We present this
approach in the context of the problem of predicting spatial behaviors of an
individual (e.g., frequent visits to specific locations) through deep-learning
based predictive model, GADST-Predict. Experimental results on two GPS based
trace data shows that the proposed method is effective in handling frequency
visits over different use-cases with considerable high accuracy.
- Abstract（参考訳）: クラウドフロー予測のような時空間予測問題に対するディープラーニングのアプローチは、データが固定的かつ正規なテンソルであると仮定し、不規則でスパースなデータテンソルを扱うという課題に直面する。
これは、地理的領域のラスタ/イメージ形式表現を用いて、特定の時間分解度における特定の空間領域の「個々人の訪問数」の予測などのユースケースシナリオにおいて制限を生じさせる。
さらに、現在のディープラーニングアプローチでは、個人の時空間的移動パターンをモデル化しながら、地域の地理的認識は考慮されていない。
これらの制約に対処するためには、ジオアウェアネスをモデルに組み込みながら、スパースデータと不規則データの両方を扱える新しい戦略とモデリングアプローチを開発する必要がある。
本稿では,クワッドツリーを画像表現のためのデータ構造として利用し,時間依存を考慮しつつ空間依存を組み込むクワッドツリーデータ構造に基づく新しいジオアウェアモジュールに基づく畳み込み操作を行う新しいジオアウェア対応深層ga-convlstmを導入する。
本稿では, 深層学習に基づく予測モデルGADST-Predictを通して, 個人の空間行動(例えば, 特定の場所への頻繁な訪問)を予測する問題について述べる。
2つのGPSに基づくトレースデータによる実験結果から,提案手法は様々なユースケースに対する周波数訪問を高い精度で扱うのに有効であることが示された。
関連論文リスト
- TPP-Gaze: Modelling Gaze Dynamics in Space and Time with Neural Temporal Point Processes [63.95928298690001]
ニューラル・テンポラル・ポイント・プロセス(TPP)に基づく新規かつ原則化されたスキャンパスダイナミクスのアプローチであるTPP-Gazeを提案する。
提案手法は,最先端手法と比較して総合的に優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-30T19:22:38Z) - 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) - PASTA: PArallel Spatio-Temporal Attention with spatial auto-correlation
gating for fine-grained crowd flow prediction [33.08230699138568]
空間的自己相関ゲーティングを備えたニューラルネットワークPArallel Spatioを導入する。
提案手法の構成要素は,空間的自己相関ゲーティング,マルチスケール残差ブロック,時間的注意ゲーティングモジュールである。
論文 参考訳（メタデータ） (2023-10-02T14:10:42Z) - Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
移動領域の条件付き連続表現は一般的に用いられる。
本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
論文 参考訳（メタデータ） (2023-07-12T15:34:10Z) - SARN: Structurally-Aware Recurrent Network for Spatio-Temporal Disaggregation [8.636014676778682]
オープンデータは、通常プライバシーポリシーに従うために、しばしば空間的に集約される。しかし、粗い、異質な集約は、下流のAI/MLシステムに対する一貫性のある学習と統合を複雑にする。
本稿では,空間的注意層をGRU(Gated Recurrent Unit)モデルに統合したSARN(Structurely-Aware Recurrent Network)を提案する。
履歴学習データに制限のあるシナリオでは、ある都市変数に事前学習したモデルを、数百のサンプルのみを用いて、他の都市変数に対して微調整できることを示す。
論文 参考訳（メタデータ） (2023-06-09T21:01:29Z) - 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) - 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) - Unraveled Multilevel Transformation Networks for Predicting
Sparsely-Observed Spatiotemporal Dynamics [12.627823168264209]
疎分散データサイトからのデータを用いて未知のダイナミクスを予測するモデルを提案する。
合成気候データと実世界の気候データの両方を用いて、我々のアプローチの利点を実証する。
論文 参考訳（メタデータ） (2022-03-16T14:44:05Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - Conditional Local Filters with Explainers for Spatio-Temporal
Forecasting [27.62110162024104]
空間依存を捉えるために,新しいグラフに基づく有向畳み込みを提案する。
このフィルタは、時間ダイナミクスをモデル化するRecurrent Neural Network (RNN)アーキテクチャに埋め込まれている。
本手法は,道路網交通流,地表面温度と風速,病原体拡散データを含む実世界のデータセット上で評価される。
論文 参考訳（メタデータ） (2021-01-04T14:22:11Z) - Spatial-Temporal Dynamic Graph Attention Networks for Ride-hailing
Demand Prediction [3.084885761077852]
ライドシェアの需要予測は、リソースの事前配置、車の利用率の向上、ユーザエクスペリエンス向上に役立つ。
既存の配車需要予測手法は、近隣地域でのみ同様の重要性を割り当てている。
本研究では,新しい配車需要予測手法である空間時間動的グラフ注意ネットワーク(STDGAT)を提案する。
論文 参考訳（メタデータ） (2020-06-07T13:00:19Z)
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。