論文の概要: STEF-DHNet: Spatiotemporal External Factors Based Deep Hybrid Network
for Enhanced Long-Term Taxi Demand Prediction
- arxiv url: http://arxiv.org/abs/2306.14476v1
- Date: Mon, 26 Jun 2023 07:37:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 14:33:33.040804
- Title: STEF-DHNet: Spatiotemporal External Factors Based Deep Hybrid Network
for Enhanced Long-Term Taxi Demand Prediction
- Title（参考訳）: STEF-DHNet:長期タクシー需要予測のための時空間係数に基づくディープハイブリッドネットワーク
- Authors: Sheraz Hassan, Muhammad Tahir, Momin Uppal, Zubair Khalid, Ivan
Gorban, Selim Turki
- Abstract要約: 本稿では,外部特徴を時間情報として統合した需要予測モデルSTEF-DHNetを提案する。
転がり誤差と呼ばれる長期的性能測定値を用いて評価し、再トレーニングをせずに長期間にわたって高い精度を維持する能力を評価する。
その結果,STEF-DHNetは3つの多様なデータセット上で既存の最先端手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 16.07685260834701
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately predicting the demand for ride-hailing services can result in
significant benefits such as more effective surge pricing strategies, improved
driver positioning, and enhanced customer service. By understanding the demand
fluctuations, companies can anticipate and respond to consumer requirements
more efficiently, leading to increased efficiency and revenue. However,
forecasting demand in a particular region can be challenging, as it is
influenced by several external factors, such as time of day, weather
conditions, and location. Thus, understanding and evaluating these factors is
essential for predicting consumer behavior and adapting to their needs
effectively. Grid-based deep learning approaches have proven effective in
predicting regional taxi demand. However, these models have limitations in
integrating external factors in their spatiotemporal complexity and maintaining
high accuracy over extended time horizons without continuous retraining, which
makes them less suitable for practical and commercial applications. To address
these limitations, this paper introduces STEF-DHNet, a demand prediction model
that combines Convolutional Neural Network (CNN) and Long Short-Term Memory
(LSTM) to integrate external features as spatiotemporal information and capture
their influence on ride-hailing demand. The proposed model is evaluated using a
long-term performance metric called the rolling error, which assesses its
ability to maintain high accuracy over long periods without retraining. The
results show that STEF-DHNet outperforms existing state-of-the-art methods on
three diverse datasets, demonstrating its potential for practical use in
real-world scenarios.
- Abstract（参考訳）: 配車サービスの需要を正確に予測することは、より効果的なサージ価格戦略、ドライバーの配置の改善、顧客サービスの強化といった大きなメリットをもたらす可能性がある。
需要変動を理解することで、企業は消費者の要求を予測し、より効率的に対応し、効率と収益を高めることができる。
しかし、特定の地域における需要予測は、日時、気象条件、場所など、いくつかの外部要因の影響を受けているため、難しい場合がある。
したがって,これらの要因の理解と評価は,消費者行動の予測とニーズへの適応に不可欠である。
グリッドベースのディープラーニングアプローチは,地域タクシー需要の予測に有効であることが証明されている。
しかしながら、これらのモデルは、時空間の複雑さに外部要因を統合することの限界があり、継続的な再訓練なしに延長された時間軸よりも高い精度を維持するため、実用的および商業的用途には適さない。
そこで本稿では,畳み込みニューラルネットワーク(cnn)とlong short-term memory(lstm)を組み合わせた需要予測モデルであるsef-dhnetを提案する。
提案手法は, 転がり誤差と呼ばれる長期的性能測定値を用いて評価し, 再トレーニングなしに長期間にわたって高い精度を維持する能力を評価する。
その結果,STEF-DHNetは3つの多様なデータセット上で既存の最先端の手法よりも優れており,実世界のシナリオで実用化される可能性を示している。
関連論文リスト
- F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - AI-Powered Predictions for Electricity Load in Prosumer Communities [0.0]
本稿では,人工知能を用いた短期負荷予測手法を提案する。
その結果、(負荷予測タスクに適応した)持続的項と回帰的項の組み合わせは、最高の予測精度が得られることがわかった。
論文 参考訳（メタデータ） (2024-02-21T12:23:09Z) - etuner: A Redundancy-Aware Framework for Efficient Continual Learning Application on Edge Devices [47.365775210055396]
推論精度、微調整実行時間、エネルギー効率を最適化する効率的なエッジ連続学習フレームワークであるETunerを提案する。
実験結果から,ETunerは全体の微調整実行時間を64%削減し,エネルギー消費量を56%削減し,即時モデル微調整アプローチよりも平均推定精度を1.75%向上した。
論文 参考訳（メタデータ） (2024-01-30T02:41:05Z) - XRMDN: An Extended Recurrent Mixture Density Network for Short-Term
Probabilistic Rider Demand Forecasting with High Volatility [16.047461063459846]
本稿では,XRMDN (Extended Recurrent Mixture Density Network) を提案する。
XRMDNは需要動向を順応的に捉え、特に高ボラティリティシナリオにおいて予測精度を大幅に向上させる。
論文 参考訳（メタデータ） (2023-10-15T14:18:42Z) - In Search of Deep Learning Architectures for Load Forecasting: A
Comparative Analysis and the Impact of the Covid-19 Pandemic on Model
Performance [0.0]
短期負荷予測(STLF)は、その信頼性、排出、コストの最適化に不可欠である。
この研究は、精度の予測と持続可能性のトレーニングに関して、Deep Learning (DL)アーキテクチャの比較研究を行う。
ケーススタディは、ポルトガルの全国15分解像度ネットロードタイムシリーズの日頭予測に焦点を当てている。
論文 参考訳（メタデータ） (2023-02-25T10:08:23Z) - A comparative assessment of deep learning models for day-ahead load
forecasting: Investigating key accuracy drivers [2.572906392867547]
短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。
STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
論文 参考訳（メタデータ） (2023-02-23T17:11:04Z) - Augmented Bilinear Network for Incremental Multi-Stock Time-Series
Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。
本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。
この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文 参考訳（メタデータ） (2022-07-23T18:54:10Z) - Estimating Demand Flexibility Using Siamese LSTM Neural Networks [0.0]
我々は、時間変動弾性という効率的なツールを用いて需要の柔軟性を定量化し、価格や意思決定のダイナミクスによって価値が変化する可能性がある。
最近の実証的な証拠は、需要の柔軟性を研究する際に、遅延応答や価格急騰後の弾性の消失など、いくつかの異常な特徴を浮き彫りにした。
本稿では,最適推定パターンを自動的かつ正確に導出するモデルフリー手法を提案する。
論文 参考訳（メタデータ） (2021-09-03T00:59:27Z) - Low-Rank Temporal Attention-Augmented Bilinear Network for financial
time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。
近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。
本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文 参考訳（メタデータ） (2021-07-05T10:15:23Z) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳（メタデータ） (2021-02-16T16:56:27Z) - 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。