論文の概要: MLPST: MLP is All You Need for Spatio-Temporal Prediction
- arxiv url: http://arxiv.org/abs/2309.13363v1
- Date: Sat, 23 Sep 2023 12:58:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-26 20:22:59.343001
- Title: MLPST: MLP is All You Need for Spatio-Temporal Prediction
- Title(参考訳): MLPST: MLPは時空間予測に必要なもの
- Authors: Zijian Zhang, Ze Huang, Zhiwei Hu, Xiangyu Zhao, Wanyu Wang, Zitao
Liu, Junbo Zhang, S. Joe Qin and Hongwei Zhao
- Abstract要約: 交通は典型的な深層モデルに基づく予測手法である。
トラフィック予測のための純粋多層パーセプトロンアーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 40.65579041549435
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic prediction is a typical spatio-temporal data mining task and has
great significance to the public transportation system. Considering the demand
for its grand application, we recognize key factors for an ideal
spatio-temporal prediction method: efficient, lightweight, and effective.
However, the current deep model-based spatio-temporal prediction solutions
generally own intricate architectures with cumbersome optimization, which can
hardly meet these expectations. To accomplish the above goals, we propose an
intuitive and novel framework, MLPST, a pure multi-layer perceptron
architecture for traffic prediction. Specifically, we first capture spatial
relationships from both local and global receptive fields. Then, temporal
dependencies in different intervals are comprehensively considered. Through
compact and swift MLP processing, MLPST can well capture the spatial and
temporal dependencies while requiring only linear computational complexity, as
well as model parameters that are more than an order of magnitude lower than
baselines. Extensive experiments validated the superior effectiveness and
efficiency of MLPST against advanced baselines, and among models with optimal
accuracy, MLPST achieves the best time and space efficiency.
- Abstract(参考訳): 交通予測は時空間データマイニングの典型的なタスクであり、公共交通システムにとって非常に重要である。
大規模アプリケーションへの需要を考慮すると、理想的な時空間予測手法の鍵となる要素は、効率的、軽量、効果的である。
しかし、現在の深層モデルに基づく時空間予測ソリューションは、概して複雑なアーキテクチャと面倒な最適化を持っているため、これらの期待を満たせない。
上記の目的を達成するために,直観的で斬新なフレームワークであるmlpstを提案し,トラフィック予測のための純粋多層パーセプトロンアーキテクチャを提案する。
具体的には,まず局所的および大域的受容的分野から空間的関係を捉えた。
そして、異なる間隔の時間依存を包括的に考える。
MLPSTは、コンパクトで高速なMLP処理により、線形計算の複雑さだけを必要としながら、空間的および時間的依存関係をうまくキャプチャし、ベースラインよりも1桁低いモデルパラメータも必要とします。
大規模実験により, 高度ベースラインに対するMLPSTの有効性と効率性が検証され, 最適精度のモデルでは, MLPSTが最適時間と空間効率を達成する。
関連論文リスト
- SIMPL: A Simple and Efficient Multi-agent Motion Prediction Baseline for
Autonomous Driving [27.776472262857045]
本稿では,自動運転車のための簡易かつ効率的な運動予測ベースライン(SIMPL)を提案する。
メッセージ転送を対称的に行う,コンパクトで効率的なグローバル機能融合モジュールを提案する。
強力なベースラインとして、SIMPLはArgoverse 1と2のモーション予測ベンチマークで高い競争性能を示す。
論文 参考訳(メタデータ) (2024-02-04T15:07:49Z) - Spatial-Temporal Large Language Model for Traffic Prediction [22.78807405820044]
交通予測のための時空間大言語モデル(ST-LLM)を提案する。
ST-LLMは各場所のタイムステップをトークンとして再定義し、時空間埋め込みモジュールを組み込む。
少数ショットとゼロショットの予測シナリオにおいて、堅牢なパフォーマンスを示す。
論文 参考訳(メタデータ) (2024-01-18T17:03:59Z) - Frequency-domain MLPs are More Effective Learners in Time Series
Forecasting [67.60443290781988]
時系列予測は、金融、交通、エネルギー、医療など、さまざまな産業領域において重要な役割を果たしてきた。
最多ベースの予測手法は、ポイントワイドマッピングと情報のボトルネックに悩まされる。
本稿では、時系列予測のための周波数領域上に構築された、シンプルで効果的なアーキテクチャであるFreTSを提案する。
論文 参考訳(メタデータ) (2023-11-10T17:05:13Z) - ST-MLP: A Cascaded Spatio-Temporal Linear Framework with
Channel-Independence Strategy for Traffic Forecasting [47.74479442786052]
時空間グラフニューラルネットワーク(STGNN)に関する現在の研究は、しばしば複雑な設計を優先し、精度をわずかに向上させるだけで計算負荷を発生させる。
マルチ層パーセプトロン(MLP)モジュールと線形層のみをベースとした,簡潔な時空間モデルST-MLPを提案する。
実験の結果,ST-MLPは最先端STGNNと他のモデルよりも精度と計算効率の点で優れていた。
論文 参考訳(メタデータ) (2023-08-14T23:34:59Z) - Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at
Scale [57.38373754100004]
時空間データ(STUD)は複雑な相関パターンを示す。
STUDは大規模であることが多いため、実践者は有効性と効率のバランスをとる必要がある。
Nex-Mixerと呼ばれる別のパラダイムは、単純さと有効性の両方の可能性を秘めている。
論文 参考訳(メタデータ) (2023-07-04T05:19:19Z) - Maximize to Explore: One Objective Function Fusing Estimation, Planning,
and Exploration [87.53543137162488]
我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。
textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。
様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
論文 参考訳(メタデータ) (2023-05-29T17:25:26Z) - COST-EFF: Collaborative Optimization of Spatial and Temporal Efficiency
with Slenderized Multi-exit Language Models [16.586312156966635]
トランスフォーマーベースの事前訓練言語モデル(PLM)は、高い能力にもかかわらず過度のオーバーヘッドに悩まされている。
既存の静的圧縮モデルは、入力インスタンス間の様々な複雑さに気づいていない。
静的モデル圧縮と動的推論アクセラレーションを統合したPLMの協調最適化を提案する。
論文 参考訳(メタデータ) (2022-10-27T15:06:40Z) - Self-learning locally-optimal hypertuning using maximum entropy, and
comparison of machine learning approaches for estimating fatigue life in
composite materials [0.0]
疲労損傷を予測するための最大エントロピーの原理に基づくML近傍近似アルゴリズムを開発した。
予測は、他のMLアルゴリズムと同様、高いレベルの精度を達成する。
論文 参考訳(メタデータ) (2022-10-19T12:20:07Z) - Learning representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳(メタデータ) (2021-04-11T16:45:18Z)
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。