論文の概要: UCTB: An Urban Computing Tool Box for Spatiotemporal Crowd Flow Prediction

• arxiv url: http://arxiv.org/abs/2306.04144v1
• Date: Wed, 7 Jun 2023 04:36:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-08 16:18:27.780982
• Title: UCTB: An Urban Computing Tool Box for Spatiotemporal Crowd Flow Prediction
• Title（参考訳）: UCTB:時空間群流予測のための都市コンピューティングツールボックス
• Authors: Liyue Chen, Di Chai, Leye Wang
• Abstract要約: UCTBと呼ばれる時間的群集流予測ツールボックスの設計と実装を行う。 複数の時間領域の知識と最先端のモデルを同時に統合する。
• 参考スコア（独自算出の注目度）: 4.367050939292982
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatiotemporal crowd flow prediction is one of the key technologies in smart cities. Currently, there are two major pain points that plague related research and practitioners. Firstly, crowd flow is related to multiple domain knowledge factors; however, due to the diversity of application scenarios, it is difficult for subsequent work to make reasonable and comprehensive use of domain knowledge. Secondly, with the development of deep learning technology, the implementation of relevant techniques has become increasingly complex; reproducing advanced models has become a time-consuming and increasingly cumbersome task. To address these issues, we design and implement a spatiotemporal crowd flow prediction toolbox called UCTB (Urban Computing Tool Box), which integrates multiple spatiotemporal domain knowledge and state-of-the-art models simultaneously. The relevant code and supporting documents have been open-sourced at https://github.com/uctb/UCTB.
• Abstract（参考訳）: 時空間の群集フロー予測はスマートシティにおける重要な技術のひとつだ。 現在、関連する研究と実践を苦しめる2つの主要な痛点がある。 まず、クラウドフローは複数のドメイン知識要因に関連しているが、アプリケーションシナリオの多様性のため、その後の作業でドメイン知識を合理的かつ包括的な利用することは困難である。 第二に、ディープラーニング技術の発展に伴い、関連する技術の実装はますます複雑化しており、高度なモデルを再現することは、時間と手間のかかる作業となっている。 これらの問題に対処するために、複数の時空間知識と最先端モデルを同時に統合したUCTB(Urban Computing Tool Box)と呼ばれる時空間群流予測ツールボックスを設計、実装する。 関連するコードとサポートドキュメントはhttps://github.com/uctb/UCTBでオープンソース化されている。

関連論文リスト

• Time-Distributed Feature Learning for Internet of Things Network Traffic Classification [17.941349488134325]
  深層学習に基づくネットワークトラフィック分類(NTC)のための,効率的で包括的特徴抽出手法を提案する。 我々はNTCの精度を最大化するために時間分散特徴学習を用いる。 提案手法は, 擬似時間的特徴と時空間的特徴がNTCの頑健性と性能を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2024-09-08T13:46:56Z)
• A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
  水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。 多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
  論文  参考訳（メタデータ） (2024-05-30T04:46:40Z)
• Continual Learning for Smart City: A Survey [20.248023419047847]
  継続的学習(CL)は、変化する環境に適応するためにモデルを常に更新する、新しい機械学習パラダイムである。 本調査は,スマートシティ開発に広く用いられている継続的学習手法の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2024-04-01T07:59:29Z)
• Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook [95.32949323258251]
  時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
  論文  参考訳（メタデータ） (2023-10-16T09:06:00Z)
• CasCIFF: A Cross-Domain Information Fusion Framework Tailored for Cascade Prediction in Social Networks [4.480256642939794]
  クロスドメイン情報融合フレームワーク(CasCIFF)は、情報カスケード予測に最適化されている。 このフレームワークは、ユーザ埋め込みを堅牢にするために、マルチホップ近隣情報を利用する。 特に、CasCIFFは、ユーザ分類とカスケード予測のタスクをシームレスに統合されたフレームワークに統合します。
  論文  参考訳（メタデータ） (2023-08-09T13:52:41Z)
• Context-aware Domain Adaptation for Time Series Anomaly Detection [69.3488037353497]
  時系列異常検出は、幅広い現実世界の応用において難しい課題である。 近年,類似分野の知識を活用するため,時系列領域適応への取り組みが進められている。 本研究では,コンテキストサンプリングと異常検出を併用した共同学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-15T02:28:58Z)
• Spatio-Temporal Graph Neural Networks for Predictive Learning in Urban Computing: A Survey [33.39878171297037]
  S-temporal Networks(STGNN)ではグラフニューラルネットワーク(GNN)と様々な時間的学習法が使用されている。 STGNNは、グラフニューラルネットワーク(GNN)と様々な時間的学習手法を統合することで、複雑な時間的依存関係の抽出を可能にする。 本稿では,都市コンピューティングにおける予測学習のためのSTGNN技術に関する包括的調査を行う。
  論文  参考訳（メタデータ） (2023-03-25T14:29:20Z)
• TemporAI: Facilitating Machine Learning Innovation in Time Domain Tasks for Medicine [91.3755431537592]
  TemporAIは、機械学習(ML)タスクのためのオープンソースのPythonソフトウェアライブラリである。 時系列、静的、イベントモダリティのデータをサポートし、予測、因果推論、時間対イベント分析のためのインターフェースを提供する。
  論文  参考訳（メタデータ） (2023-01-28T17:57:53Z)
• Utilizing Background Knowledge for Robust Reasoning over Traffic Situations [63.45021731775964]
  我々は、インテリジェントトランスポーテーションの補完的な研究側面である交通理解に焦点を当てる。 本研究は,豊富なコモンセンス知識を前提として,テキストベースの手法とデータセットを対象とする。 交通状況に対するゼロショットQAには3つの知識駆動アプローチを採用しています。
  論文  参考訳（メタデータ） (2022-12-04T09:17:24Z)
• Video Anomaly Detection by Solving Decoupled Spatio-Temporal Jigsaw Puzzles [67.39567701983357]
  ビデオ異常検出(VAD)はコンピュータビジョンにおいて重要なトピックである。 近年の自己教師型学習の進歩に触発された本論文は,直感的かつ難解なプレテキストタスクを解くことによって,VADに対処する。 提案手法は3つの公開ベンチマークにおいて最先端のベンチマークよりも優れている。
  論文  参考訳（メタデータ） (2022-07-20T19:49:32Z)
• State-of-the-art Techniques in Deep Edge Intelligence [0.0]
  エッジインテリジェンス(EI)は、エッジコンピューティングの概念を用いた学習を可能にする強力な代替手段として急速に登場した。 本稿では,DeIの運用における主な制約について概説する。
  論文  参考訳（メタデータ） (2020-08-03T12:17:23Z)

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。