論文の概要: Spatio-temporal neural structural causal models for bike flow prediction
- arxiv url: http://arxiv.org/abs/2301.07843v1
- Date: Thu, 19 Jan 2023 01:39:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-20 15:53:15.729276
- Title: Spatio-temporal neural structural causal models for bike flow prediction
- Title（参考訳）: 自転車フロー予測のための時空間神経構造因果モデル
- Authors: Pan Deng, Yu Zhao, Junting Liu, Xiaofeng Jia, Mulan Wang
- Abstract要約: 自転車シェアリングシステムの基本的な問題は、自転車のフロー予測である。
近年の輸送システムにおける文脈条件の過度な強調手法が注目されている。
時空間構造因果モデルを提案する。
- 参考スコア（独自算出の注目度）: 2.991894112851257
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a representative of public transportation, the fundamental issue of
managing bike-sharing systems is bike flow prediction. Recent methods
overemphasize the spatio-temporal correlations in the data, ignoring the
effects of contextual conditions on the transportation system and the
inter-regional timevarying causality. In addition, due to the disturbance of
incomplete observations in the data, random contextual conditions lead to
spurious correlations between data and features, making the prediction of the
model ineffective in special scenarios. To overcome this issue, we propose a
Spatio-temporal Neural Structure Causal Model(STNSCM) from the perspective of
causality. First, we build a causal graph to describe the traffic prediction,
and further analyze the causal relationship between the input data, contextual
conditions, spatiotemporal states, and prediction results. Second, we propose
to apply the frontdoor criterion to eliminate confounding biases in the feature
extraction process. Finally, we propose a counterfactual representation
reasoning module to extrapolate the spatio-temporal state under the factual
scenario to future counterfactual scenarios to improve the prediction
performance. Experiments on real-world datasets demonstrate the superior
performance of our model, especially its resistance to fluctuations caused by
the external environment. The source code and data will be released.
- Abstract（参考訳）: 公共交通機関の代表として、自転車シェアリングシステムの基本的な問題は、自転車のフロー予測である。
近年の手法では,データ中の時空間相関を過度に強調し,環境条件が交通システムおよび地域間時間変化因果関係に与える影響を無視している。
さらに、データの不完全観測の障害により、ランダムな文脈条件がデータと特徴の間に急激な相関関係をもたらし、特別なシナリオではモデルの予測が不効果的となる。
この問題を解決するために,因果性の観点から時空間構造因果モデル(STNSCM)を提案する。
まず,トラフィック予測を記述するための因果グラフを構築し,入力データ,状況条件,時空間状態,予測結果との因果関係をさらに分析する。
第2に, 特徴抽出過程における偏りを解消するために, フロントドア基準を適用することを提案する。
最後に, 予測性能を向上させるために, 時空間状態から予測シナリオを外挿する反事実表現推論モジュールを提案する。
実世界のデータセットに関する実験は、このモデルの優れた性能、特に外部環境に起因するゆらぎに対する耐性を示す。
ソースコードとデータはリリースされる予定だ。
関連論文リスト
- MSCT: Addressing Time-Varying Confounding with Marginal Structural Causal Transformer for Counterfactual Post-Crash Traffic Prediction [24.3907895281179]
本稿では,ポストクラッシュ交通予測のための新しい深層学習モデルを提案する。
提案モデルでは, 仮説的衝突介入戦略の下での交通速度の理解と予測に特化して, 処理を意識したモデルを提案する。
このモデルは、合成データと実世界のデータの両方を用いて検証され、MSCTがマルチステップ・アヘッド予測性能において最先端モデルより優れていることを示す。
論文 参考訳（メタデータ） (2024-07-19T06:42:41Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Enhancing Traffic Prediction with Textual Data Using Large Language Models [0.0]
本研究では,地域レベルとノードレベルの2つのシナリオについて検討した。
地域レベルのシナリオでは、テキスト情報はネットワーク全体に接続されたノードとして表現される。
ノードレベルのシナリオでは、大きなモデルからの埋め込みは、対応するノードにのみ接続された追加ノードを表す。
提案手法は,New York Bike データセットによる予測精度の大幅な向上を示す。
論文 参考訳（メタデータ） (2024-05-10T03:14:26Z) - A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
C$2$TSDという条件拡散フレームワークを導入する。
実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
論文 参考訳（メタデータ） (2024-02-18T11:59:04Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - 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) - Causal conditional hidden Markov model for multimodal traffic prediction [2.991894112851257]
マルチモーダルトラフィックフローを予測するために,Causal Hidden Markov Model (CCHMM)を提案する。
実世界のデータセットの実験により、CCHMMは興味ある概念の因果表現を効果的に切り離すことができることが示された。
論文 参考訳（メタデータ） (2023-01-19T01:56:43Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳（メタデータ） (2021-02-12T18:17:12Z)
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。