論文の概要: Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach
- arxiv url: http://arxiv.org/abs/2312.01699v1
- Date: Mon, 4 Dec 2023 07:39:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 15:47:06.623565
- Title: Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach
- Title(参考訳): 超多変量時系列予測手法による都市移動予測の再検討
- Authors: Jinguo Cheng, Ke Li, Yuxuan Liang, Lijun Sun, Junchi Yan, Yuankai Wu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 71.67506068703314
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-term urban mobility predictions play a crucial role in the effective
management of urban facilities and services. Conventionally, urban mobility
data has been structured as spatiotemporal videos, treating longitude and
latitude grids as fundamental pixels. Consequently, video prediction methods,
relying on Convolutional Neural Networks (CNNs) and Vision Transformers (ViTs),
have been instrumental in this domain. In our research, we introduce a fresh
perspective on urban mobility prediction. Instead of oversimplifying urban
mobility data as traditional video data, we regard it as a complex multivariate
time series. This perspective involves treating the time-varying values of each
grid in each channel as individual time series, necessitating a thorough
examination of temporal dynamics, cross-variable correlations, and
frequency-domain insights for precise and reliable predictions. To address this
challenge, we present the Super-Multivariate Urban Mobility Transformer
(SUMformer), which utilizes a specially designed attention mechanism to
calculate temporal and cross-variable correlations and reduce computational
costs stemming from a large number of time series. SUMformer also employs
low-frequency filters to extract essential information for long-term
predictions. Furthermore, SUMformer is structured with a temporal patch merge
mechanism, forming a hierarchical framework that enables the capture of
multi-scale correlations. Consequently, it excels in urban mobility pattern
modeling and long-term prediction, outperforming current state-of-the-art
methods across three real-world datasets.
- Abstract(参考訳): 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。
従来、都市移動データは時空間ビデオとして構成され、経度と緯度を基本ピクセルとして扱う。
その結果、この領域では、畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)に依存するビデオ予測手法が有効になっている。
本研究では,都市移動予測の新しい視点を紹介する。
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、複雑な多変量時系列と見なす。
この観点では、各チャネルにおける各グリッドの時間変化値を個々の時系列として扱い、時間的ダイナミクス、相互変数相関、正確で信頼性の高い予測のための周波数領域の洞察を徹底的に検討する必要がある。
この課題に対処するために,超多変量都市モビリティトランスフォーマー(sumformer)を提案する。このトランスフォーマーは,時間的および相互変数の相関を計算し,多数の時系列から発生する計算コストを削減するために,特別に設計された注意機構を利用する。
sumformerは低周波フィルタを使って長期的な予測に必要な情報を抽出する。
さらにsumformerは、テンポラリパッチマージメカニズムで構成されており、マルチスケール相関のキャプチャを可能にする階層的フレームワークを形成する。
その結果、都市移動パターンのモデリングと長期予測に優れ、3つの実世界のデータセットで現在の最先端の手法よりも優れている。
関連論文リスト
- Attractor Memory for Long-Term Time Series Forecasting: A Chaos
Perspective [66.79255404792849]
本稿では,カオス理論を長期時系列予測(LTSF)タスクに導入する。
我々のモデルである textbftextitAttraos はカオス理論をLTSFに組み込み、未知の高次元カオス力学系からの観測として実世界の時系列を知覚する。
歴史的力学構造を記憶し、周波数を拡大した局所進化戦略によって予測する。
論文 参考訳(メタデータ) (2024-02-18T05:35:01Z) - Timer: Transformers for Time Series Analysis at Scale [87.9808714449511]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。
事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。
多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文 参考訳(メタデータ) (2024-02-04T06:55:55Z) - Hybrid Transformer and Spatial-Temporal Self-Supervised Learning for
Long-term Traffic Prediction [1.8531577178922987]
本稿では,ハイブリッドトランスフォーマーと自己教師型学習を組み合わせたモデルを提案する。
このモデルは、トラフィックのシーケンスレベルにデータ拡張技術を適用することにより、適応的なデータ拡張を強化する。
本研究では,時間的および空間的依存をモデル化する2つの自己教師型学習タスクを設計し,モデルの精度と能力を向上させる。
論文 参考訳(メタデータ) (2024-01-29T06:17:23Z) - The Bigger the Better? Rethinking the Effective Model Scale in Long-term
Time Series Forecasting [57.00348861248051]
時系列予測は時系列分析において重要なフロンティアである。
階層的な分解で拡張された軽量トランスフォーマーであるHDformerを紹介する。
HDformerは既存のLTSFモデルよりも優れており、パラメータは99%以上少ない。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - Spatiotemporal-Linear: Towards Universal Multivariate Time Series
Forecasting [10.404951989266191]
本稿ではSTL(Spatio-Temporal-Linear)フレームワークを紹介する。
STLは、Linearベースのアーキテクチャを拡張するために、時間組込みと空間インフォームドのバイパスをシームレスに統合する。
実証的な証拠は、さまざまな観測時間と予測期間とデータセットにわたって、LinearとTransformerのベンチマークを上回り、STLの成果を浮き彫りにしている。
論文 参考訳(メタデータ) (2023-12-22T17:46:34Z) - FormerTime: Hierarchical Multi-Scale Representations for Multivariate
Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。
1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文 参考訳(メタデータ) (2023-02-20T07:46:14Z) - Enhancing the Robustness via Adversarial Learning and Joint
Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。
我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。
ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
論文 参考訳(メタデータ) (2022-08-05T09:36:55Z) - A Spatial-Temporal Attention Multi-Graph Convolution Network for
Ride-Hailing Demand Prediction Based on Periodicity with Offset [9.897431292540393]
ライドシェアリングは都市交通の中心となっている。
配車サービスの効率を向上させるためには、交通需要の正確な予測が根本的な課題である。
本稿では,ネットワーク構造とデータセットの定式化の両面からこの問題に対処する。
論文 参考訳(メタデータ) (2022-03-23T16:03:55Z) - A Differential Attention Fusion Model Based on Transformer for Time
Series Forecasting [4.666618110838523]
時系列予測は、機器ライフサイクル予測、天気予報、交通流予測などの分野で広く利用されている。
一部の学者は、この強力な並列トレーニング能力のために、Transformerを時系列予測に適用しようと試みている。
既存のTransformerメソッドは、予測において決定的な役割を果たす小さな時間セグメントに十分な注意を払わない。
論文 参考訳(メタデータ) (2022-02-23T10:33:12Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳(メタデータ) (2020-01-09T10:21:04Z)
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。