論文の概要: STORM-GAN: Spatio-Temporal Meta-GAN for Cross-City Estimation of Human Mobility Responses to COVID-19

• arxiv url: http://arxiv.org/abs/2301.08648v1
• Date: Fri, 20 Jan 2023 15:55:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-23 13:03:15.409610
• Title: STORM-GAN: Spatio-Temporal Meta-GAN for Cross-City Estimation of Human Mobility Responses to COVID-19
• Title（参考訳）: STORM-GAN : COVID-19に対する移動性反応の都市間評価のための時空間メタGAN
• Authors: Han Bao, Xun Zhou, Yiqun Xie, Yanhua Li, Xiaowei Jia
• Abstract要約: 我々は, 都市間移動度推定問題に, 深層メタジェネレーション・フレームワークを用いて取り組む試みを初めて行った。 S-Temporal Meta-Generative Adrial Network (STORM-GAN) モデルを提案する。 提案手法は推定性能を大幅に向上し,性能が向上することを示す。
• 参考スコア（独自算出の注目度）: 17.611056163940404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human mobility estimation is crucial during the COVID-19 pandemic due to its significant guidance for policymakers to make non-pharmaceutical interventions. While deep learning approaches outperform conventional estimation techniques on tasks with abundant training data, the continuously evolving pandemic poses a significant challenge to solving this problem due to data nonstationarity, limited observations, and complex social contexts. Prior works on mobility estimation either focus on a single city or lack the ability to model the spatio-temporal dependencies across cities and time periods. To address these issues, we make the first attempt to tackle the cross-city human mobility estimation problem through a deep meta-generative framework. We propose a Spatio-Temporal Meta-Generative Adversarial Network (STORM-GAN) model that estimates dynamic human mobility responses under a set of social and policy conditions related to COVID-19. Facilitated by a novel spatio-temporal task-based graph (STTG) embedding, STORM-GAN is capable of learning shared knowledge from a spatio-temporal distribution of estimation tasks and quickly adapting to new cities and time periods with limited training samples. The STTG embedding component is designed to capture the similarities among cities to mitigate cross-task heterogeneity. Experimental results on real-world data show that the proposed approach can greatly improve estimation performance and out-perform baselines.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックでは、薬品以外の介入を行う政策立案者にとって重要なガイダンスとなる。 ディープラーニングのアプローチは、豊富なトレーニングデータを持つタスクにおける従来の推定手法よりも優れているが、継続的に進化するパンデミックは、データの非定常性、限られた観測、複雑な社会的文脈によって、この問題を解決する上で大きな課題となる。 それまでの移動度推定は、一つの都市に集中するか、都市や期間にまたがる時空間依存をモデル化する能力に欠ける。 これらの問題に対処するために,我々は,深層メタジェネレーティブフレームワークを用いて都市間人力推定問題に取り組む最初の試みを行う。 本研究では、COVID-19に関連する社会・政策条件のセットに基づいて、動的移動応答を推定する時空間メタジェネレーティブ・アドバイサル・ネットワーク(STORM-GAN)モデルを提案する。 新規な時空間タスクベースグラフ(STTG)の埋め込みにより、STORM-GANは、推定タスクの時空間分布から共有知識を学習し、限られたトレーニングサンプルで新しい都市や時間に迅速に適応することができる。 STTG埋め込みコンポーネントは、都市間の類似性を捉え、クロスタスクの不均一性を緩和するために設計されている。 実世界のデータを用いた実験の結果,提案手法は推定性能とベースライン外の性能を大幅に向上できることがわかった。

関連論文リスト

• General Geospatial Inference with a Population Dynamics Foundation Model [17.696501367579014]
  Population Dynamics Foundation Model (PDFM)は、多様なデータモダリティ間の関係を捉えることを目的としている。 まず、アメリカ合衆国全土の郵便番号と郡のための地理インデックス付きデータセットを構築した。 次に、グラフニューラルネットワークを用いて、このデータと位置間の複雑な関係をモデル化する。 我々は、PDFMと最先端の予測基盤モデルであるTimesFMを組み合わせることで、失業と貧困を予測する。
  論文  参考訳（メタデータ） (2024-11-11T18:32:44Z)
• ST-MoE-BERT: A Spatial-Temporal Mixture-of-Experts Framework for Long-Term Cross-City Mobility Prediction [6.0588503913405045]
  我々はST-MoE-BERTと呼ばれる人間の移動パターンを予測する頑健な手法を提案する。 本手法は,Mixture-of-ExpertsアーキテクチャとBERTモデルを統合し,複雑な移動力学を捉える。 本稿では,GEO-BLEUおよびDTWにおける提案手法の有効性について述べる。
  論文  参考訳（メタデータ） (2024-10-18T00:32:18Z)
• 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)
• Spatial-Temporal Interplay in Human Mobility: A Hierarchical Reinforcement Learning Approach with Hypergraph Representation [25.26148307071171]
  STI-HRLフレームワークは、人間の移動意思決定における空間的要因と時間的要因の相互作用を捉えている。 階層的決定設定を補完するため,過去のデータを整理するハイパーグラフを構築した。 実世界の2つのデータセットに対する実験は、ユーザの次の訪問を予測するための最先端手法よりもSTI-HRLの方が優れていることを検証した。
  論文  参考訳（メタデータ） (2023-12-25T13:00:05Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Spatiotemporal-Augmented Graph Neural Networks for Human Mobility Simulation [35.89805766554052]
  本稿では,SRpatio-Augmented gaph Neural Network という,位置の動的時間的効果をモデル化する新しいフレームワークを提案する。 STARフレームワークは、行動対応を捉えるために様々な時間グラフを設計し、異なる場所の居住地をシミュレートする新しいブランチを構築し、最終的にその期間を逆向きに最適化する。
  論文  参考訳（メタデータ） (2023-06-15T11:47:45Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)
• Predicting Human Mobility via Self-supervised Disentanglement Learning [21.61423193132924]
  本稿では,次のPOI予測問題に対処するため,SSDLと呼ばれる新しい解を提案する。 本研究では,人間の本質的な周期性と常に変化する意図の理解を高めるために,二つの現実的な軌道拡張手法を提案する。 4つの実世界のデータセットで実施された大規模な実験により、提案したSSDLは最先端のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-17T16:17:22Z)
• A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
  アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。 本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。 本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
  論文  参考訳（メタデータ） (2022-11-16T20:00:38Z)
• Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
  我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。 動的パーソナライズされた価格設定などの問題の因果構造を形式化する。 本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
  論文  参考訳（メタデータ） (2021-10-19T16:15:56Z)
• Temporal Predictive Coding For Model-Based Planning In Latent Space [80.99554006174093]
  時間的に予測可能な環境要素を符号化するために,時間的予測符号化を用いた情報理論的手法を提案する。 本稿では,DMControl タスクの背景を複雑な情報を含む自然なビデオに置き換える,標準的な DMControl タスクの挑戦的な修正について評価する。
  論文  参考訳（メタデータ） (2021-06-14T04:31:15Z)

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。