論文の概要: Urban Spatiotemporal Data Synthesis via Neural Disaggregation
- arxiv url: http://arxiv.org/abs/2306.07292v1
- Date: Fri, 9 Jun 2023 21:01:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-14 16:37:35.341560
- Title: Urban Spatiotemporal Data Synthesis via Neural Disaggregation
- Title(参考訳): ニューラルデアグリゲーションによる都市時空間データ合成
- Authors: Bin Han, Bill Howe
- Abstract要約: 我々は,粗大で低解像度の地理的単位で集約された都市データを分解することで,細粒度で高解像度の都市データを合成することを目指している。
目標は、高度に集約された都市データのユーザビリティを高め、可能な限り価値を実現することである。
- 参考スコア(独自算出の注目度): 13.94102520443797
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The level of granularity of open data often conflicts the benefits it can
provide. Less granular data can protect individual privacy, but to certain
degrees, sabotage the promise of open data to promote transparency and assist
research. Similar in the urban setting, aggregated urban data at high-level
geographic units can mask out the underline particularities of city dynamics
that may vary at lower areal levels. In this work, we aim to synthesize
fine-grained, high resolution urban data, by breaking down aggregated urban
data at coarse, low resolution geographic units. The goal is to increase the
usability and realize the values as much as possible of highly aggregated urban
data. To address the issue of simplicity of some traditional disaggregation
methods -- 1) we experimented with numerous neural-based models that are
capable of modeling intricate non-linear relationships among features. Neural
methods can also leverage both spatial and temporal information concurrently.
We showed that all neural methods perform better than traditional
disaggregation methods. Incorporating the temporal information further enhances
the results. 2) We proposed a training approach for disaggregation task,
Chain-of-Training (COT), that can be incorporated into any of the
training-based models. COT adds transitional disaggregation steps by
incorporating intermediate geographic dimensions, which enhances the
predictions at low geographic level and boosts the results at higher levels. 3)
We adapted the idea of reconstruction (REC) from super-resolution domain in our
disaggregation case -- after disaggregating from low to high geographic level,
we then re-aggregate back to the low level from our generated high level
values. Both strategies improved disaggregation results on three datasets and
two cities we tested on.
- Abstract(参考訳): オープンデータの粒度のレベルは、しばしばそれが提供できる利益と矛盾します。
個々のプライバシーを保護できるデータは少ないが、ある程度は、オープンデータの約束を妨害して透明性を促進し、研究を支援する。
都市設定と同様に、高水準の地理的単位における集約された都市データは、低いアラルレベルで変化する可能性のある都市動態の下位の特質を隠蔽することができる。
本研究では, 粗大かつ低解像度の地理単位で集約された都市データを分解し, 細粒度で高解像度の都市データを合成することを目的とする。
目標は、ユーザビリティを高め、高度に集約された都市データの可能な限りの価値を実現することだ。
従来のデアグリゲーションメソッドの単純さの問題に対処する。
1) 特徴間の複雑な非線形関係をモデル化できる多数のニューラルベースモデルを実験した。
ニューラルメソッドは、空間的情報と時間的情報の両方を同時に利用することもできる。
従来の分散法よりも,すべてのニューラルメソッドが優れた性能を示した。
時間情報を組み込むことで結果をさらに強化する。
2) トレーニングベースモデルに組み込むことが可能な非集合的タスクであるCOT(Chain-of-Training)のトレーニング手法を提案した。
COTは、中間的な地理的次元を組み込むことで、低い地理的レベルでの予測を強化し、より高いレベルでの結果を高めることによって、過渡的な分散ステップを追加する。
3) 超解像領域から超解像領域への再構成(rec)という考え方を適用し,低解像レベルから高解像レベルへ分離した後,生成した高解像値から低解像レベルへ再集約する。
どちらの戦略も、3つのデータセットと2つの都市での分解結果を改善しました。
関連論文リスト
- Spatial-temporal Forecasting for Regions without Observations [13.805203053973772]
本研究では,歴史的観察を伴わない関心領域の時空間予測について検討した。
タスクに対してSTSMというモデルを提案する。
私たちの重要な洞察は、関心のある領域に類似している場所から学ぶことです。
論文 参考訳(メタデータ) (2024-01-19T06:26:05Z) - PASTA: PArallel Spatio-Temporal Attention with spatial auto-correlation
gating for fine-grained crowd flow prediction [33.08230699138568]
空間的自己相関ゲーティングを備えたニューラルネットワークPArallel Spatioを導入する。
提案手法の構成要素は,空間的自己相関ゲーティング,マルチスケール残差ブロック,時間的注意ゲーティングモジュールである。
論文 参考訳(メタデータ) (2023-10-02T14:10:42Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2023-06-15T14:50:27Z) - Geo-Adaptive Deep Spatio-Temporal predictive modeling for human mobility [5.864710987890994]
深部GA-vLSは、データが不規則なデータを扱うという課題に直面し、定形かつ規則的なテンソル形状のデータを仮定する。
本稿では,その再帰的メカニズムを維持しつつ,新たなデータ構造に基づくジオアウェアな学習操作を提案する。
論文 参考訳(メタデータ) (2022-11-27T16:51:28Z) - Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。
本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。
フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
論文 参考訳(メタデータ) (2022-10-01T09:04:17Z) - Semi-signed neural fitting for surface reconstruction from unoriented
point clouds [53.379712818791894]
より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。
SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。
我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
論文 参考訳(メタデータ) (2022-06-14T09:40:17Z) - CHALLENGER: Training with Attribution Maps [63.736435657236505]
ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。
特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
論文 参考訳(メタデータ) (2022-05-30T13:34:46Z) - Unraveled Multilevel Transformation Networks for Predicting
Sparsely-Observed Spatiotemporal Dynamics [12.627823168264209]
疎分散データサイトからのデータを用いて未知のダイナミクスを予測するモデルを提案する。
合成気候データと実世界の気候データの両方を用いて、我々のアプローチの利点を実証する。
論文 参考訳(メタデータ) (2022-03-16T14:44:05Z) - Contrastive Neighborhood Alignment [81.65103777329874]
本稿では,学習特徴のトポロジを維持するための多様体学習手法であるContrastive Neighborhood Alignment(CNA)を提案する。
対象モデルは、対照的な損失を用いて、ソース表現空間の局所構造を模倣することを目的としている。
CNAは3つのシナリオで説明される: 多様体学習、モデルが元のデータの局所的なトポロジーを次元還元された空間で維持する、モデル蒸留、小さな学生モデルがより大きな教師を模倣するために訓練される、レガシーモデル更新、より強力なモデルに置き換えられる、という3つのシナリオである。
論文 参考訳(メタデータ) (2022-01-06T04:58:31Z) - Smoothing the Generative Latent Space with Mixup-based Distance Learning [32.838539968751924]
我々は、我々の関心の大規模なデータセットも、転送可能なソースデータセットも利用できない状況を考える。
本稿では,ジェネレータとディスクリミネータの両方の特徴空間における遅延混合に基づく距離正規化を提案する。
論文 参考訳(メタデータ) (2021-11-23T06:39:50Z) - 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)
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。