論文の概要: A Generic Approach to Integrating Time into Spatial-Temporal Forecasting
via Conditional Neural Fields
- arxiv url: http://arxiv.org/abs/2305.06827v1
- Date: Thu, 11 May 2023 14:20:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-12 14:32:15.812579
- Title: A Generic Approach to Integrating Time into Spatial-Temporal Forecasting
via Conditional Neural Fields
- Title（参考訳）: 条件付きニューラルネットワークによる時空間予測への時間統合のためのジェネリックアプローチ
- Authors: Minh-Thanh Bui, Duc-Thinh Ngo, and Zonghua Zhang
- Abstract要約: 本稿では,時間成分を予測モデルに統合する一般的な手法を提案する。
主要なアイデアは、時間成分から抽出された補助的特徴を表現するために条件付きニューラルネットワークを使用することである。
道路交通とセルラーネットワーク交通データセットの実験は,提案手法の有効性を実証する。
- 参考スコア（独自算出の注目度）: 1.9294297881760762
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-awareness is the key capability of autonomous systems, e.g., autonomous
driving network, which relies on highly efficient time series forecasting
algorithm to enable the system to reason about the future state of the
environment, as well as its effect on the system behavior as time progresses.
Recently, a large number of forecasting algorithms using either convolutional
neural networks or graph neural networks have been developed to exploit the
complex temporal and spatial dependencies present in the time series. While
these solutions have shown significant advantages over statistical approaches,
one open question is to effectively incorporate the global information which
represents the seasonality patterns via the time component of time series into
the forecasting models to improve their accuracy. This paper presents a general
approach to integrating the time component into forecasting models. The main
idea is to employ conditional neural fields to represent the auxiliary features
extracted from the time component to obtain the global information, which will
be effectively combined with the local information extracted from
autoregressive neural networks through a layer-wise gated fusion module.
Extensive experiments on road traffic and cellular network traffic datasets
prove the effectiveness of the proposed approach.
- Abstract（参考訳）: 自律運転ネットワーク(autonomous driving network)は、高効率な時系列予測アルゴリズムを使用して、システムが環境の将来の状態を判断し、時間の経過とともにシステムの振る舞いに影響を及ぼす、自律運転ネットワーク(autonomous driving network)の重要な能力である。
近年,時系列に存在する複雑な時間的・空間的依存関係を利用するために,畳み込みニューラルネットワークあるいはグラフニューラルネットワークを用いた予測アルゴリズムが多数開発されている。
これらの手法は統計的アプローチよりも大きな利点を示してきたが、時系列の時間成分を介して季節パターンを表すグローバルな情報を予測モデルに効果的に組み込んで精度を向上させることが課題である。
本稿では,時間成分を予測モデルに統合する一般的な手法を提案する。
第一の考え方は、時間成分から抽出された補助的特徴を表現するために条件付きニューラルネットワークを使用することで、グローバル情報を得ることであり、レイヤーワイドゲート融合モジュールを介して自己回帰ニューラルネットワークから抽出された局所情報と効果的に結合する。
道路交通とセルラーネットワークトラヒックデータセットに関する広範な実験により,提案手法の有効性が証明された。
関連論文リスト
- Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳（メタデータ） (2024-11-24T04:56:45Z) - Spatiotemporal Forecasting of Traffic Flow using Wavelet-based Temporal Attention [3.049645421090079]
本稿では,ウェーブレットに基づく動的グラフニューラルネットワーク(DS-DSNN)を交通予測問題に対処するための時間的アテンションモデルを提案する。
提案手法は動的時間的および空間的ベンチマークをよりよく処理し,信頼性の高い長期予測を行う。
論文 参考訳（メタデータ） (2024-07-05T11:42:39Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-25T03:37:00Z) - STGIN: A Spatial Temporal Graph-Informer Network for Long Sequence
Traffic Speed Forecasting [8.596556653895028]
本研究では,長期交通パラメータ予測問題に対処する新しい時空間ニューラルネットワークアーキテクチャを提案する。
注意機構は、遠方の入力から重要な情報を失うことなく、長期的な予測性能を保証する可能性がある。
論文 参考訳（メタデータ） (2022-10-01T05:58:22Z) - Scalable Spatiotemporal Graph Neural Networks [14.415967477487692]
グラフニューラルネットワーク(GNN)は、しばしば予測アーキテクチャのコアコンポーネントである。
ほとんどの時間前GNNでは、計算複雑性はグラフ内のリンクの回数のシーケンスの長さの2乗係数までスケールする。
本稿では,時間的・空間的両方のダイナミックスを効率的に符号化するスケーラブルなアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-09-14T09:47:38Z) - Graph-Survival: A Survival Analysis Framework for Machine Learning on
Temporal Networks [14.430635608400982]
連続時間時間ネットワークのための生成モデルを設計するためのフレームワークを提案する。
本稿では,本フレームワーク内のモデルに適合する手法と,所望の特性を持つ新しい時間ネットワークをシミュレートするアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-03-14T16:40:57Z) - Multi-head Temporal Attention-Augmented Bilinear Network for Financial
time series prediction [77.57991021445959]
本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。
本手法の有効性を,大規模書籍市場データを用いて検証した。
論文 参考訳（メタデータ） (2022-01-14T14:02:19Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z)
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。