論文の概要: SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data

• arxiv url: http://arxiv.org/abs/2310.00270v5
• Date: Thu, 26 Oct 2023 07:01:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-28 04:42:16.733199
• Title: SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data
• Title（参考訳）: SpaceRank:時空間データに基づくNDCG最適化による都市イベントランキング
• Authors: Bang An, Xun Zhou, Yongjian Zhong, Tianbao Yang
• Abstract要約: 本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
• 参考スコア（独自算出の注目度）: 55.609946936979036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of urban event ranking aims at predicting the top-k most risky locations of future events such as traffic accidents and crimes. This problem is of fundamental importance to public safety and urban administration especially when limited resources are available. The problem is, however, challenging due to complex and dynamic spatio-temporal correlations between locations, uneven distribution of urban events in space, and the difficulty to correctly rank nearby locations with similar features. Prior works on event forecasting mostly aim at accurately predicting the actual risk score or counts of events for all the locations. Rankings obtained as such usually have low quality due to prediction errors. Learning-to-rank methods directly optimize measures such as Normalized Discounted Cumulative Gain (NDCG), but cannot handle the spatiotemporal autocorrelation existing among locations. In this paper, we bridge the gap by proposing a novel spatial event ranking approach named SpatialRank. SpatialRank features adaptive graph convolution layers that dynamically learn the spatiotemporal dependencies across locations from data. In addition, the model optimizes through surrogates a hybrid NDCG loss with a spatial component to better rank neighboring spatial locations. We design an importance-sampling with a spatial filtering algorithm to effectively evaluate the loss during training. Comprehensive experiments on three real-world datasets demonstrate that SpatialRank can effectively identify the top riskiest locations of crimes and traffic accidents and outperform state-of-art methods in terms of NDCG by up to 12.7%.
• Abstract（参考訳）: 都市イベントランキングの問題は、交通事故や犯罪などの将来のイベントの最もリスクの高い場所を予測することを目的としている。 この問題は公共の安全と都市行政にとって、特に資源が限られている場合には、重要な問題である。 しかし、この問題は、場所間の複雑でダイナミックな時空間相関、空間における都市イベントの不均一な分布、および類似した特徴で近くの場所を正しくランク付けすることが難しいため、困難である。 イベント予測に関する先行研究は主に、すべての場所における実際のリスクスコアやイベントのカウントを正確に予測することを目的としている。 このようなランク付けは通常、予測誤差により品質が低い。 正規化カウント累積ゲイン (NDCG) などの手法を直接最適化する学習 to ランク法は, 場所間の時空間自己相関を扱えない。 本稿では,空間ランクと呼ばれる新しい空間イベントランキング手法を提案することで,そのギャップを橋渡しする。 spatialrankは適応型グラフ畳み込み層を特徴とし、データから場所間の時空間依存性を動的に学習する。 さらに, このモデルでは, NDCGのハイブリッド損失を空間成分で補うことで, 近傍の空間位置のランク付けを最適化する。 トレーニング中の損失を効果的に評価するために,空間フィルタリングアルゴリズムを用いた重要サンプリングを設計する。 3つの実世界のデータセットに関する総合的な実験により、SpatialRankは犯罪や交通事故の最も危険な場所を効果的に特定でき、NDCGの観点では最先端の手法を最大12.7%上回っている。

関連論文リスト

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Enhancing stop location detection for incomplete urban mobility datasets [0.0]
  本研究は, 位置同定のための密度に基づく手法を強化するために, 分類アルゴリズムの適用について検討する。 提案手法は,様々な時間にまたがる個別のルーチン行動を含む複数の特徴を取り入れ,個々のGPS点の局所的特徴を拡大する。
  論文  参考訳（メタデータ） (2024-07-16T10:41:08Z)
• PASTA: PArallel Spatio-Temporal Attention with spatial auto-correlation gating for fine-grained crowd flow prediction [33.08230699138568]
  空間的自己相関ゲーティングを備えたニューラルネットワークPArallel Spatioを導入する。 提案手法の構成要素は,空間的自己相関ゲーティング,マルチスケール残差ブロック,時間的注意ゲーティングモジュールである。
  論文  参考訳（メタデータ） (2023-10-02T14:10:42Z)
• Spatio-Temporal Contrastive Self-Supervised Learning for POI-level Crowd Flow Inference [23.8192952068949]
  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。
  論文  参考訳（メタデータ） (2023-09-06T02:51:24Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• Escaping Saddle Points with Bias-Variance Reduced Local Perturbed SGD for Communication Efficient Nonconvex Distributed Learning [58.79085525115987]
  ローカル手法は通信時間を短縮する有望なアプローチの1つである。 局所的データセットが局所的損失の滑らかさよりも小さい場合,通信の複雑さは非局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-12T15:12:17Z)
• Ordinal UNLOC: Target Localization with Noisy and Incomplete Distance Measures [1.6836876499886007]
  ターゲットローカライズにおける大きな課題は、信頼性の高い距離測定の欠如から生じる。 信頼性の高い距離測定を必要とせず,目標の位置を推定する新しい計算フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-05-06T13:54:31Z)
• 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)
• RiskOracle: A Minute-level Citywide Traffic Accident Forecasting Framework [12.279252772816216]
  交通事故のリアルタイム予測は、公共の安全と都市管理にとってますます重要になっている。 事故予測に関するこれまでの研究はしばしば時間レベルで行われ、既存のニューラルネットワークと静的な地域関係を考慮に入れている。 本稿では,予測の粒度を細部まで改善する新しいフレームワークであるR RiskOracleを提案する。
  論文  参考訳（メタデータ） (2020-02-19T07:18:46Z)

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。