論文の概要: Spatio-Temporal Contrastive Self-Supervised Learning for POI-level Crowd
Flow Inference
- arxiv url: http://arxiv.org/abs/2309.03239v2
- Date: Tue, 12 Sep 2023 10:19:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-13 16:20:51.690912
- Title: Spatio-Temporal Contrastive Self-Supervised Learning for POI-level Crowd
Flow Inference
- Title(参考訳): POIレベルの群流推論のための時空間コントラスト自己監督学習
- Authors: Songyu Ke, Ting Li, Li Song, Yanping Sun, Qintian Sun, Junbo Zhang, Yu
Zheng
- Abstract要約: S-temporal data(CSST)のための新しいコントラスト型自己学習フレームワークを提案する。
提案手法は,POI(Points of Interest)とその距離に基づく空間隣接グラフの構築から始める。
我々は、類似した事例から対象部分グラフの表現を予測するために、スワップした予測手法を採用する。
実世界の2つのデータセットで実施した実験では、広範囲のノイズデータに基づいて事前トレーニングされたCSSTが、ゼロからトレーニングされたモデルより一貫して優れていることを示した。
- 参考スコア(独自算出の注目度): 23.8192952068949
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate acquisition of crowd flow at Points of Interest (POIs) is pivotal
for effective traffic management, public service, and urban planning. Despite
this importance, due to the limitations of urban sensing techniques, the data
quality from most sources is inadequate for monitoring crowd flow at each POI.
This renders the inference of accurate crowd flow from low-quality data a
critical and challenging task. The complexity is heightened by three key
factors: 1) The scarcity and rarity of labeled data, 2) The intricate
spatio-temporal dependencies among POIs, and 3) The myriad correlations between
precise crowd flow and GPS reports.
To address these challenges, we recast the crowd flow inference problem as a
self-supervised attributed graph representation learning task and introduce a
novel Contrastive Self-learning framework for Spatio-Temporal data (CSST). Our
approach initiates with the construction of a spatial adjacency graph founded
on the POIs and their respective distances. We then employ a contrastive
learning technique to exploit large volumes of unlabeled spatio-temporal data.
We adopt a swapped prediction approach to anticipate the representation of the
target subgraph from similar instances. Following the pre-training phase, the
model is fine-tuned with accurate crowd flow data. Our experiments, conducted
on two real-world datasets, demonstrate that the CSST pre-trained on extensive
noisy data consistently outperforms models trained from scratch.
- Abstract(参考訳): Points of Interest (POIs) におけるクラウドフローの正確な取得は、効果的な交通管理、公共サービス、都市計画において重要である。
この重要性にもかかわらず、都市センシング技術の限界により、ほとんどの情報源のデータ品質は、各POIにおける群衆の流れを監視するのに不十分である。
これにより、低品質データからの正確な群集フローの推測が重要かつ困難な課題となる。
複雑さは3つの要因によって高められる。
1)ラベル付きデータの希少さと希少さ。
2)POI間の複雑な時空間依存性,及び
3) 正確な群集流とGPSによる報告との間には無数の相関関係が認められた。
これらの課題に対処するため,クラウドフロー推論問題を自己教師付き属性グラフ表現学習タスクとして再検討し,空間時間データ(CSST)のための新しいコントラスト自己学習フレームワークを導入する。
提案手法は,POIとその距離に基づいて構築された空間隣接グラフの構築から始める。
次に,ラベルなし時空間データを多量に活用するために,コントラスト学習手法を用いる。
我々は、同様のインスタンスからターゲットのサブグラフの表現を予測するために、交換された予測手法を採用する。
事前学習フェーズの後、モデルは正確な群衆フローデータで微調整される。
実世界の2つのデータセットで行った実験は、csstがスクラッチからトレーニングされたモデルに一貫して勝っていることを示している。
関連論文リスト
- Self-Supervised Deconfounding Against Spatio-Temporal Shifts: Theory and
Modeling [48.09863133371918]
本研究では,過去の交通データ,将来の交通データ,外部STコンテキストの因果グラフを構築することで,問題を定式化する。
OODトラフィックデータにおける先行技術の失敗は、STコンテキストが共同創設者として機能すること、すなわち過去のデータと将来のデータに対する共通の原因によるものであることが示される。
本研究では,STEVE(Spatio-Temporal sElf-superVised dEconfounding)フレームワークを考案し,トラフィックデータを2つの不整合表現に符号化し,不変および変動STコンテキストを関連付ける。
論文 参考訳(メタデータ) (2023-11-21T09:33:13Z) - SPOT: Scalable 3D Pre-training via Occupancy Prediction for Autonomous
Driving [84.22159537581742]
職業予測は一般表現の学習に有望であることが示されている。
SPOTは、ポイントクラウド拡張にビーム再サンプリング技術を使用し、クラスバランス戦略を適用している。
論文 参考訳(メタデータ) (2023-09-19T11:13:01Z) - Online Spatio-Temporal Correlation-Based Federated Learning for Traffic
Flow Forecasting [11.253575460227127]
本稿では,FLフレームワークにおけるオンライン学習(OL)方式を用いた交通流の予測に関する最初の研究を行う。
次に,オンライン時空間相関に基づくフェデレート学習(FedOSTC)という新しい予測手法を提案する。
論文 参考訳(メタデータ) (2023-02-17T02:37:36Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。
共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。
さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
論文 参考訳(メタデータ) (2022-07-08T10:25:47Z) - Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge
Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。
本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。
本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文 参考訳(メタデータ) (2022-05-27T12:46:52Z) - Building Autocorrelation-Aware Representations for Fine-Scale
Spatiotemporal Prediction [1.2862507359003323]
本稿では,空間統計理論をニューラルネットワークに組み込んだ新しいディープラーニングアーキテクチャを提案する。
DeepLATTEには、局所的自己相関パターンとグローバルな自己相関傾向の両方を強制する、自己相関誘導半教師付き学習戦略が含まれている。
我々は,DeepLATTEの公開データを用いた実演を行い,健康上の重要なトピックとして,高度に適合した複雑な物理環境下での空気質予測を行った。
論文 参考訳(メタデータ) (2021-12-10T03:21:19Z) - STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention
Network for Traffic Forecasting [7.232141271583618]
非効率な時空間継手線形注意(SSTLA)と呼ばれる交通予測のための新しいディープラーニングモデルを提案する。
SSTLAは、全時間ノード間のグローバル依存を効率的に捉えるために、ジョイントグラフに線形注意を適用する。
実世界の2つの交通データセットであるイングランドとテンポラル7の実験は、我々のSTJLAが最先端のベースラインよりも9.83%と3.08%の精度でMAE測定を達成できることを示した。
論文 参考訳(メタデータ) (2021-12-04T06:39:18Z) - Incorporating Reachability Knowledge into a Multi-Spatial Graph
Convolution Based Seq2Seq Model for Traffic Forecasting [12.626657411944949]
既存の作業は、長い将来の時間を含む多段階のトラフィック予測ではうまく機能しない。
我々のモデルは、2つの実世界のトラフィックデータセットで評価され、他の競合他社よりも優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2021-07-04T03:23:30Z) - Self-Point-Flow: Self-Supervised Scene Flow Estimation from Point Clouds
with Optimal Transport and Random Walk [59.87525177207915]
シーンフローを近似する2点雲間の対応性を確立するための自己教師型手法を開発した。
本手法は,自己教師付き学習手法の最先端性能を実現する。
論文 参考訳(メタデータ) (2021-05-18T03:12:42Z) - Interpretable Crowd Flow Prediction with Spatial-Temporal Self-Attention [16.49833154469825]
群衆の流れを予測する最も難しい部分は、複雑な空間的・時間的依存関係を測定することである。
時空間表現全体を計算するためのST符号化ゲートを備えた時空間自己認識ネットワーク(STSAN)を提案する。
交通および移動データに関する実験結果から,提案手法はTaxi-NYCデータセット上でRMSEの流入と流出を16%減らし,8%減らすことを示した。
論文 参考訳(メタデータ) (2020-02-22T12:43:11Z)
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。