論文の概要: A Deep Learning Framework for Traffic Data Imputation Considering Spatiotemporal Dependencies

• arxiv url: http://arxiv.org/abs/2304.09182v1
• Date: Tue, 18 Apr 2023 07:13:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-20 16:34:28.268211
• Title: A Deep Learning Framework for Traffic Data Imputation Considering Spatiotemporal Dependencies
• Title（参考訳）: 時空間依存を考慮したトラヒックデータインプテーションのためのディープラーニングフレームワーク
• Authors: Li Jiang, Ting Zhang, Qiruyi Zuo, Chenyu Tian, George P. Chan, Wai Kin (Victor) Chan
• Abstract要約: トラフィックネットワークにおける依存関係の複雑さのため、S.temporalデータの計算は非常に困難である。 既存のアプローチは主に、時系列や静的な空間的依存関係における時間的依存関係のみをキャプチャする。 それらはモデルのS.temporal依存性表現能力をモデル化するのに失敗する。
• 参考スコア（独自算出の注目度）: 7.835274806604221
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatiotemporal (ST) data collected by sensors can be represented as multi-variate time series, which is a sequence of data points listed in an order of time. Despite the vast amount of useful information, the ST data usually suffer from the issue of missing or incomplete data, which also limits its applications. Imputation is one viable solution and is often used to prepossess the data for further applications. However, in practice, n practice, spatiotemporal data imputation is quite difficult due to the complexity of spatiotemporal dependencies with dynamic changes in the traffic network and is a crucial prepossessing task for further applications. Existing approaches mostly only capture the temporal dependencies in time series or static spatial dependencies. They fail to directly model the spatiotemporal dependencies, and the representation ability of the models is relatively limited.
• Abstract（参考訳）: センサによって収集された時空間(ST)データは、時間順に列挙されたデータポイントの列である多変量時系列として表すことができる。 膨大な有用な情報にもかかわらず、STデータは通常、欠落または不完全なデータの問題に悩まされ、アプリケーションも制限される。 Imputationは有効なソリューションのひとつであり、さらなるアプリケーションのためにデータをプリコンプリートするためにしばしば使用される。 しかし、実際には、トラフィックネットワークの動的変化に伴う時空間依存性の複雑さのため、時空間データ計算は非常に困難であり、さらなるアプリケーションにとって重要な前提課題である。 既存のアプローチは、時系列や静的な空間的依存関係の時間的依存性のみをキャプチャする。 彼らは時空間依存を直接モデル化できず、モデルの表現能力は比較的限られている。

関連論文リスト

• Recent Trends in Modelling the Continuous Time Series using Deep Learning: A Survey [0.18434042562191813]
  継続的シリーズは、医療、自動車、エネルギー、金融、モノのインターネット(IoT)など、現代のさまざまな分野において不可欠である。 本稿では、時系列の一般的な問題領域について述べ、連続時系列をモデル化する際の課題について概説する。
  論文  参考訳（メタデータ） (2024-09-13T14:19:44Z)
• GinAR: An End-To-End Multivariate Time Series Forecasting Model Suitable for Variable Missing [21.980379175333443]
  本稿では,グラフ補間注意再帰ネットワーク(GinAR)を提案する。 GinARでは、2つの重要なコンポーネント、すなわち注意と適応グラフの畳み込みで構成されている。 5つの実世界のデータセットで実施された実験では、GinARは11のSOTAベースラインより優れており、90%の変数が欠落している場合でも、すべての変数の将来の値を正確に予測できる。
  論文  参考訳（メタデータ） (2024-05-18T16:42:44Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• Training for the Future: A Simple Gradient Interpolation Loss to Generalize Along Time [26.261277497201565]
  いくつかの実世界のアプリケーションでは、機械学習モデルがデプロイされ、時間とともに分布が徐々に変化するデータの予測を行う。 本稿では,時間に敏感なパラメータを持つモデルから始める単純な手法を提案する。
  論文  参考訳（メタデータ） (2021-08-15T11:20:10Z)
• Multivariate Time Series Imputation by Graph Neural Networks [13.308026049048717]
  我々は,多変量時系列の異なるチャネルにおける行方不明データを再構成することを目的としたGRILというグラフニューラルネットワークアーキテクチャを導入する。 予備的な結果は,本モデルが関連するベンチマーク上での計算処理において,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-31T17:47:10Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• Time Series Data Imputation: A Survey on Deep Learning Approaches [4.4458738910060775]
  時系列データ計算は、様々なカテゴリのメソッドでよく研究されている問題である。 ディープラーニングに基づく時系列手法は、RNNのようなモデルの使用によって進歩している。 我々は,それらのモデルアーキテクチャ,その長所,短所,短所,および時系列計算手法の開発を示す効果をレビューし,議論する。
  論文  参考訳（メタデータ） (2020-11-23T11:57:27Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。