論文の概要: Multi-Temporal Relationship Inference in Urban Areas

• arxiv url: http://arxiv.org/abs/2306.08921v1
• Date: Thu, 15 Jun 2023 07:48:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 16:03:43.196221
• Title: Multi-Temporal Relationship Inference in Urban Areas
• Title（参考訳）: 都市における多時間関係推論
• Authors: Shuangli Li, Jingbo Zhou, Ji Liu, Tong Xu, Enhong Chen, Hui Xiong
• Abstract要約: 場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
• 参考スコア（独自算出の注目度）: 75.86026742632528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finding multiple temporal relationships among locations can benefit a bunch of urban applications, such as dynamic offline advertising and smart public transport planning. While some efforts have been made on finding static relationships among locations, little attention is focused on studying time-aware location relationships. Indeed, abundant location-based human activities are time-varying and the availability of these data enables a new paradigm for understanding the dynamic relationships in a period among connective locations. To this end, we propose to study a new problem, namely multi-Temporal relationship inference among locations (Trial for short), where the major challenge is how to integrate dynamic and geographical influence under the relationship sparsity constraint. Specifically, we propose a solution to Trial with a graph learning scheme, which includes a spatially evolving graph neural network (SEENet) with two collaborative components: spatially evolving graph convolution module (SEConv) and spatially evolving self-supervised learning strategy (SE-SSL). SEConv performs the intra-time aggregation and inter-time propagation to capture the multifaceted spatially evolving contexts from the view of location message passing. In addition, SE-SSL designs time-aware self-supervised learning tasks in a global-local manner with additional evolving constraint to enhance the location representation learning and further handle the relationship sparsity. Finally, experiments on four real-world datasets demonstrate the superiority of our method over several state-of-the-art approaches.
• Abstract（参考訳）: ロケーション間の複数の時間的関係を見つけることは、動的オフライン広告やスマート公共交通計画など、多くの都市アプリケーションに役立つ。 場所間の静的な関係を見つけることにはいくつかの努力がなされているが、時間認識的な位置関係の研究にはほとんど注意が払われていない。 実際、豊富な位置に基づく人間活動は時間的変化があり、これらのデータの利用により、接続された場所間の期間における動的関係を理解するための新しいパラダイムが実現される。 そこで本研究では,関係スパーシティ制約の下で動的・地理的影響をどのように統合するかを主な課題として,地域間(略して裁判)における多時間関係推論を提案する。 具体的には,空間的発展型グラフ畳み込みモジュール (seconv) と空間的発展型自己教師付き学習戦略 (se-ssl) の2つの協調コンポーネントからなる空間的発展型グラフニューラルネットワーク (seenet) を含むグラフ学習スキームを用いた試行法を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を行い、位置メッセージパッシングの観点から空間的に変化する複数のコンテキストをキャプチャする。 さらに、SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱うために、グローバルな方法で時間認識型自己教師型学習タスクを設計する。 最後に、4つの実世界のデータセットに対する実験は、いくつかの最先端アプローチよりも、我々の手法が優れていることを示す。

関連論文リスト

• Get Rid of Task Isolation: A Continuous Multi-task Spatio-Temporal Learning Framework [10.33844348594636]
  我々は,都市の総合的知能を高めるために,連続マルチタスク時空間学習フレームワーク(CMuST)を提案することが不可欠であると主張する。 CMuSTは、都市時間学習を単一ドメインから協調マルチタスク学習に改革する。 マルチタスク時間学習のための3つの都市のベンチマークを作成し,CMuSTの優位性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-10-14T14:04:36Z)
• FedASTA: Federated adaptive spatial-temporal attention for traffic flow prediction [30.346763969306398]
  モバイルデバイスとIoT(Internet of Things)デバイスは、今日では大量の異種空間時間データを生成している。 プライバシーの懸念の下で空間的時間的ダイナミクスをモデル化することは依然として難しい問題である。 動的空間時間関係をモデル化するための新しいFedASTAフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-21T11:44:07Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Learning Dynamic Graphs from All Contextual Information for Accurate Point-of-Interest Visit Forecasting [9.670949636600035]
  Busyness Graph Neural Network (BysGNN) は、基礎となるマルチコンテキスト相関を学習し、発見するために設計された時間グラフニューラルネットワークである。 文脈的,時間的,空間的な信号をすべて取り入れることで,最先端の予測モデルに対する予測精度の大幅な向上を観察する。
  論文  参考訳（メタデータ） (2023-06-28T05:14:03Z)
• SARN: Structurally-Aware Recurrent Network for Spatio-Temporal Disaggregation [8.636014676778682]
  オープンデータは、通常プライバシーポリシーに従うために、しばしば空間的に集約される。しかし、粗い、異質な集約は、下流のAI/MLシステムに対する一貫性のある学習と統合を複雑にする。 本稿では,空間的注意層をGRU(Gated Recurrent Unit)モデルに統合したSARN(Structurely-Aware Recurrent Network)を提案する。 履歴学習データに制限のあるシナリオでは、ある都市変数に事前学習したモデルを、数百のサンプルのみを用いて、他の都市変数に対して微調整できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T21:01:29Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• Dynamic Relation Discovery and Utilization in Multi-Entity Time Series Forecasting [92.32415130188046]
  多くの現実世界のシナリオでは、実体の間に決定的かつ暗黙的な関係が存在する可能性がある。 本稿では,自動グラフ学習(A2GNN)を用いたマルチグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-18T11:37:04Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Multiple Object Tracking with Correlation Learning [16.959379957515974]
  本研究では,局所相関モジュールを用いて,対象と周辺環境のトポロジカルな関係をモデル化する。 具体的には,各空間の位置とその文脈の密接な対応を確立し,自己教師付き学習を通じて相関量を明確に制約する。 提案手法は, 相関学習と優れた性能の相関学習の有効性を示し, MOT17では76.5%, IDF1では73.6%の最先端MOTAが得られる。
  論文  参考訳（メタデータ） (2021-04-08T06:48:02Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。