論文の概要: Spatial-temporal Forecasting for Regions without Observations

• arxiv url: http://arxiv.org/abs/2401.10518v1
• Date: Fri, 19 Jan 2024 06:26:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 16:44:06.977872
• Title: Spatial-temporal Forecasting for Regions without Observations
• Title（参考訳）: 観測なし領域の時空間予測
• Authors: Xinyu Su and Jianzhong Qi and Egemen Tanin and Yanchuan Chang and Majid Sarvi
• Abstract要約: 本研究では,歴史的観察を伴わない関心領域の時空間予測について検討した。 タスクに対してSTSMというモデルを提案する。 私たちの重要な洞察は、関心のある領域に類似している場所から学ぶことです。
• 参考スコア（独自算出の注目度）: 13.805203053973772
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial-temporal forecasting plays an important role in many real-world applications, such as traffic forecasting, air pollutant forecasting, crowd-flow forecasting, and so on. State-of-the-art spatial-temporal forecasting models take data-driven approaches and rely heavily on data availability. Such models suffer from accuracy issues when data is incomplete, which is common in reality due to the heavy costs of deploying and maintaining sensors for data collection. A few recent studies attempted to address the issue of incomplete data. They typically assume some data availability in a region of interest either for a short period or at a few locations. In this paper, we further study spatial-temporal forecasting for a region of interest without any historical observations, to address scenarios such as unbalanced region development, progressive deployment of sensors or lack of open data. We propose a model named STSM for the task. The model takes a contrastive learning-based approach to learn spatial-temporal patterns from adjacent regions that have recorded data. Our key insight is to learn from the locations that resemble those in the region of interest, and we propose a selective masking strategy to enable the learning. As a result, our model outperforms adapted state-of-the-art models, reducing errors consistently over both traffic and air pollutant forecasting tasks. The source code is available at https://github.com/suzy0223/STSM.
• Abstract（参考訳）: 空間時空間予測は,交通予測,大気汚染物質予測,クラウドフロー予測など,現実の多くの応用において重要な役割を果たす。 最先端の空間-時間予測モデルはデータ駆動アプローチを採用し、データ可用性に大きく依存する。 このようなモデルは、データが不完全である場合の精度の問題に苦しんでいる。 いくつかの最近の研究は不完全データの問題に対処しようとした。 彼らは典型的には、短い期間またはいくつかの場所で関心のある領域でデータ可用性を仮定する。 本稿では,非平衡領域の発達,センサの段階的展開,オープンデータの欠如といったシナリオに対処するため,歴史的観測のない領域の時空間予測について検討する。 タスクに対してSTSMというモデルを提案する。 このモデルは、データを記録した隣接領域から空間時間パターンを学習するために、対照的な学習に基づくアプローチをとる。 我々の重要な洞察は、関心領域に類似した場所から学習することであり、学習を可能にするための選択的マスキング戦略を提案する。 その結果、我々のモデルは適応型最先端モデルよりも優れており、交通および大気汚染物質の予測タスクにおける誤差が一貫して減少する。 ソースコードはhttps://github.com/suzy0223/STSMで入手できる。

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• LibCity: A Unified Library Towards Efficient and Comprehensive Urban Spatial-Temporal Prediction [74.08181247675095]
  既存の分野には、さまざまなフォーマットで使用が難しいオープンソースデータなど、制限がある。 我々は、研究者に信頼性のある実験ツールと便利な開発フレームワークを提供するオープンソースライブラリ、LibCityを提案する。
  論文  参考訳（メタデータ） (2023-04-27T17:19:26Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [56.22339016797785]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
  実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。 時系列モデルが数値予測の代替となる。 本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
  論文  参考訳（メタデータ） (2022-09-29T13:47:02Z)
• Long-term hail risk assessment with deep neural networks [0.0]
  農作物、果樹園、インフラの被害を見積り、軽減するためには、危険リスク評価が必要である。 特定の領域におけるヘイル頻度の変化をデータ駆動で予測する機械学習モデルはありません。 本研究は,2つのアプローチを比較し,過去数十年の干ばつ頻度の変化を予測する作業に適したモデルを提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:24:39Z)
• 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)
• Learning Wildfire Model from Incomplete State Observations [0.0]
  我々は、深層ニューラルネットワークを用いて、米国西部の5か所の将来の山火事予測のための動的モデルを作成します。 提案モデルには,動的オンライン推定や時系列モデリングなど,予測評価における特徴的ニーズに対処する特徴がある。
  論文  参考訳（メタデータ） (2021-11-28T03:21:46Z)
• RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
  古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。 本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。 粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
  論文  参考訳（メタデータ） (2021-06-10T21:49:23Z)

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。