Fugu-MT 論文翻訳(概要): Prediction of Tourism Flow with Sparse Geolocation Data

論文の概要: Prediction of Tourism Flow with Sparse Geolocation Data

arxiv url: http://arxiv.org/abs/2308.14516v1
Date: Mon, 28 Aug 2023 12:03:03 GMT
ステータス: 処理完了
システム内更新日: 2023-08-29 14:05:53.409221
Title: Prediction of Tourism Flow with Sparse Geolocation Data
Title（参考訳）: 疎位置データによる観光流れの予測
Authors: Julian Lemmel, Zahra Babaiee, Marvin Kleinlehner, Ivan Majic, Philipp Neubauer, Johannes Scholz, Radu Grosu, Sophie A. Neubauer
Abstract要約: 特定の地域での観光量と観光フローの適正かつ正確な予測が重要である。本稿では,RNN,GNN,Transformerといった最先端のディープラーニング手法の性能を実証的に評価する。これにより、現代の入力特徴ハンドリングと、個別のPOIデータ上に位置情報データをマッピングすることで、予測の精度を高めることができる。
参考スコア（独自算出の注目度）: 5.7816173667121635
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Modern tourism in the 21st century is facing numerous challenges. Among these the rapidly growing number of tourists visiting space-limited regions like historical cities, museums and bottlenecks such as bridges is one of the biggest. In this context, a proper and accurate prediction of tourism volume and tourism flow within a certain area is important and critical for visitor management tasks such as sustainable treatment of the environment and prevention of overcrowding. Static flow control methods like conventional low-level controllers or limiting access to overcrowded venues could not solve the problem yet. In this paper, we empirically evaluate the performance of state-of-the-art deep-learning methods such as RNNs, GNNs, and Transformers as well as the classic statistical ARIMA method. Granular limited data supplied by a tourism region is extended by exogenous data such as geolocation trajectories of individual tourists, weather and holidays. In the field of visitor flow prediction with sparse data, we are thereby capable of increasing the accuracy of our predictions, incorporating modern input feature handling as well as mapping geolocation data on top of discrete POI data.
Abstract（参考訳）: 21世紀の近代観光は多くの課題に直面している。このうち、歴史的都市や博物館、橋などのボトルネックなど、空間限定の地域を訪れる観光客が急速に増えている。この文脈では, 環境の持続的処理や過密防止などの訪問者管理課題において, 地域内における観光量と観光フローの適正かつ正確な予測が重要である。従来の低レベルコントローラのような静的フロー制御手法や過密な場所へのアクセス制限は、まだ問題を解決できなかった。本稿では,RNN,GNN,Transformerなどの最先端のディープラーニング手法と,古典的な統計的ARIMA手法の性能を実証的に評価する。観光地が供給する粒度制限データは、個々の観光客の位置情報、天気、休暇などの外因性データによって拡張される。スパースデータを用いた来訪者フロー予測の分野において、我々は予測の精度を高め、現代の入力特徴処理を取り入れ、また離散poiデータの上に位置情報データをマッピングすることができる。

関連論文リスト

Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
XXLTraffic: Expanding and Extremely Long Traffic Dataset for Ultra-Dynamic Forecasting Challenges [3.7509821052818118]
XXLTrafficは、最も長いタイムパンとセンサーノード数の増加で利用可能な公開トラフィックデータセットである。我々のデータセットは、既存の時間的データ資源を補完し、この領域における新しい研究の方向性につながる。
論文参考訳（メタデータ） (2024-06-18T15:06:22Z)
Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文参考訳（メタデータ） (2024-03-21T05:57:27Z)
Wireless Crowd Detection for Smart Overtourism Mitigation [50.031356998422815]
この章では、モバイルデバイスのワイヤレスアクティビティに基づいたオーバツーリズムを監視するための、低コストなアプローチについて説明する。群集センサは、無線技術のトレース要素を検出することで、周囲のモバイルデバイスの数をカウントする。いくつかの技術で検出プログラムを実行し、指紋解析の結果は匿名データベースにのみローカルに保存される。
論文参考訳（メタデータ） (2024-02-14T13:20:24Z)
Geospatial Disparities: A Case Study on Real Estate Prices in Paris [0.3495246564946556]
地理空間データから生じるバイアスを識別・緩和するためのツールキットを提案する。空間的属性を持つ順序回帰ケースを2次分類の焦点から逸脱する。本手法を概説し,本手法の実践的応用を実証し,公正度と校正対策のための地理的集約レベルを選択することの意味を精査する。
論文参考訳（メタデータ） (2024-01-29T14:53:14Z)
Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。本研究では,都市におけるモビリティ予測の新たな視点について紹介する。都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文参考訳（メタデータ） (2023-12-04T07:39:05Z)
Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文参考訳（メタデータ） (2023-08-02T23:39:24Z)
LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文参考訳（メタデータ） (2023-06-14T05:48:36Z)
Deep-Learning vs Regression: Prediction of Tourism Flow with Limited Data [6.953945420706753]
本稿では,限られたデータを用いたビジターフロー予測の分野における,最先端のディープラーニング手法の性能を実証的に評価する。より高速な推論時間と付加的な入力機能を備えた深層学習モデルにより,ARIMA法よりも優れた予測が得られた。
論文参考訳（メタデータ） (2022-06-27T13:10:13Z)
Enhancing crowd flow prediction in various spatial and temporal granularities [0.02578242050187029]
本稿では,グラフ畳み込みネットワークに基づくクラウドフロー予測のソリューションであるCrowdNetを提案する。我々のモデルは、都市環境における人間の変位を予測・説明するための信頼性の高い深層学習モデルの設計における一歩である。
論文参考訳（メタデータ） (2022-03-12T12:03:47Z)
Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
論文参考訳（メタデータ） (2020-05-04T17:45:18Z)

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。