論文の概要: Uncertainty Quantification of Spatiotemporal Travel Demand with
Probabilistic Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2303.04040v1
- Date: Tue, 7 Mar 2023 16:49:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-08 14:37:33.634192
- Title: Uncertainty Quantification of Spatiotemporal Travel Demand with
Probabilistic Graph Neural Networks
- Title（参考訳）: 確率的グラフニューラルネットワークによる時空間走行需要の不確かさの定量化
- Authors: Qingyi Wang, Shenhao Wang, Dingyi Zhuang, Haris Koutsopoulos, Jinhua
Zhao
- Abstract要約: 近年の研究では、グラフニューラルネットワークによる旅行需要の予測精度が大幅に向上している。
本研究では,旅行需要の不確実性の定量化を目的とした確率的グラフニューラルネットワーク(Prob-GNN)の枠組みを提案する。
- 参考スコア（独自算出の注目度）: 3.911105164672852
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent studies have significantly improved the prediction accuracy of travel
demand using graph neural networks. However, these studies largely ignored
uncertainty that inevitably exists in travel demand prediction. To fill this
gap, this study proposes a framework of probabilistic graph neural networks
(Prob-GNN) to quantify the spatiotemporal uncertainty of travel demand. This
Prob-GNN framework is substantiated by deterministic and probabilistic
assumptions, and empirically applied to the task of predicting the transit and
ridesharing demand in Chicago. We found that the probabilistic assumptions
(e.g. distribution tail, support) have a greater impact on uncertainty
prediction than the deterministic ones (e.g. deep modules, depth). Among the
family of Prob-GNNs, the GNNs with truncated Gaussian and Laplace distributions
achieve the highest performance in transit and ridesharing data. Even under
significant domain shifts, Prob-GNNs can predict the ridership uncertainty in a
stable manner, when the models are trained on pre-COVID data and tested across
multiple periods during and after the COVID-19 pandemic. Prob-GNNs also reveal
the spatiotemporal pattern of uncertainty, which is concentrated on the
afternoon peak hours and the areas with large travel volumes. Overall, our
findings highlight the importance of incorporating randomness into deep
learning for spatiotemporal ridership prediction. Future research should
continue to investigate versatile probabilistic assumptions to capture
behavioral randomness, and further develop methods to quantify uncertainty to
build resilient cities.
- Abstract（参考訳）: 近年の研究では、グラフニューラルネットワークを用いた旅行需要予測精度が大幅に向上している。
しかし、これらの研究は旅行需要予測に必然的に存在する不確実性を無視した。
このギャップを埋めるために,旅行需要の時空間不確実性を定量化する確率的グラフニューラルネットワーク(Prob-GNN)の枠組みを提案する。
このprob-gnnフレームワークは決定論的かつ確率的仮定によって実証され、シカゴの交通とライドシェアリングの需要を予測するタスクに実証的に適用される。
確率論的仮定(例えば分布尾、支持)は決定論的仮定(例えば、深い加群、深さ)よりも不確実性予測に大きな影響を及ぼすことがわかった。
Prob-GNNの家族のうち、ガウシアンとラプラスの分布が途切れたGNNは、トランジットとライドシェアリングのデータで最高のパフォーマンスを達成した。
Prob-GNNは、新型コロナウイルス(COVID-19)のパンデミックの前後で、モデルが新型コロナウイルス以前のデータに基づいて訓練され、複数の期間にわたってテストされる場合、安定した方法で乗客の不確実性を予測することができる。
プロブ-GNNは午後のピーク時と旅行量の多い地域に集中している不確実性の時空間パターンも明らかにしている。
本研究は,時空間ライダーシップ予測のための深層学習にランダム性を導入することの重要性を強調した。
今後の研究は、行動のランダムさを捉えるための多用途な確率的仮定を引き続き調査し、さらに不確実性を定量化し、弾力性のある都市を構築する方法を開発するべきである。
関連論文リスト
- SAUC: Sparsity-Aware Uncertainty Calibration for Spatiotemporal Prediction with Graph Neural Networks [17.994971799054213]
既存のディープラーニングは主に予測に焦点を当てており、そのような予測に固有の不確実性を見下ろしている。
本稿では,ゼロ値と非ゼロ値の両方の不確実性を校正する,ポストホックな時空間AUCフレームワークを提案する。
具体的には,スパーク交通事故と都市犯罪予測誤差を20%低減する実験を行った。
論文 参考訳（メタデータ） (2024-09-13T12:20:02Z) - Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。
しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。
本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
論文 参考訳（メタデータ） (2024-03-11T21:54:52Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Uncertainty Propagation in Node Classification [9.03984964980373]
本稿では,ノード分類作業におけるグラフニューラルネットワーク(GNN)の不確実性の測定に焦点をあてる。
ベイジアンモデリングフレームワークにGNNを組み込んだベイジアン不確実性伝播(BUP)法を提案する。
本稿では,GNNが学習過程における予測的不確実性を明確に統合できるようにするノード分類における不確実性指向の損失について述べる。
論文 参考訳（メタデータ） (2023-04-03T12:18:23Z) - Uncertainty Quantification of Sparse Travel Demand Prediction with
Spatial-Temporal Graph Neural Networks [4.488583779590991]
本研究では,空間的ゼロインフレーション型負二項グラフニューラルネットワーク(STZINB-GNN)を開発し,スパース走行需要の不確かさを定量化する。
拡散と時間的畳み込みネットワークを用いて空間的および時間的相関を解析し、それから融合して旅行需要の確率分布をパラメータ化する。
その結果,特に時空間分解能が高い場合,ベンチマークモデルよりもSTZINB-GNNの方が優れていることが示された。
論文 参考訳（メタデータ） (2022-08-11T16:21:10Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳（メタデータ） (2022-04-01T17:57:36Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - Probabilistic Neighbourhood Component Analysis: Sample Efficient
Uncertainty Estimation in Deep Learning [25.8227937350516]
トレーニングデータの量が少ない場合,最先端のBNNとDeep Ensembleモデルの不確実性推定能力は著しく低下することを示す。
サンプル効率の高い非パラメトリックkNN手法の確率的一般化を提案する。
我々のアプローチは、深いkNNがその予測において根底にある不確かさを正確に定量化することを可能にする。
論文 参考訳（メタデータ） (2020-07-18T21:36:31Z)
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。