論文の概要: TransFlower: An Explainable Transformer-Based Model with Flow-to-Flow
Attention for Commuting Flow Prediction
- arxiv url: http://arxiv.org/abs/2402.15398v1
- Date: Fri, 23 Feb 2024 16:00:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-26 14:00:10.559996
- Title: TransFlower: An Explainable Transformer-Based Model with Flow-to-Flow
Attention for Commuting Flow Prediction
- Title（参考訳）: transflower: 流速予測のための流れから流れへの注意を伴う説明可能なトランスベースモデル
- Authors: Yan Luo, Zhuoyue Wan, Yuzhong Chen, Gengchen Mai, Fu-lai Chung, Kent
Larson
- Abstract要約: 通勤パターンの予測にフロー・ツー・フロー・アテンションを用いた,説明可能なトランスフォーマーベースのモデルであるTransFlowerを紹介した。
我々のモデルは、既存の手法を最大30.8%のCommon Part of Commutersで上回ります。
- 参考スコア（独自算出の注目度）: 18.232085070775835
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the link between urban planning and commuting flows is crucial
for guiding urban development and policymaking. This research, bridging
computer science and urban studies, addresses the challenge of integrating
these fields with their distinct focuses. Traditional urban studies methods,
like the gravity and radiation models, often underperform in complex scenarios
due to their limited handling of multiple variables and reliance on overly
simplistic and unrealistic assumptions, such as spatial isotropy. While deep
learning models offer improved accuracy, their black-box nature poses a
trade-off between performance and explainability -- both vital for analyzing
complex societal phenomena like commuting flows. To address this, we introduce
TransFlower, an explainable, transformer-based model employing flow-to-flow
attention to predict urban commuting patterns. It features a geospatial encoder
with an anisotropy-aware relative location encoder for nuanced flow
representation. Following this, the transformer-based flow predictor enhances
this by leveraging attention mechanisms to efficiently capture flow
interactions. Our model outperforms existing methods by up to 30.8% Common Part
of Commuters, offering insights into mobility dynamics crucial for urban
planning and policy decisions.
- Abstract（参考訳）: 都市計画と通勤フローの関連を理解することは、都市開発と政策立案の導出に不可欠である。
この研究は、コンピュータ科学と都市研究を橋渡しし、これらの分野をそれぞれの焦点と統合するという課題に対処する。
重力や放射線モデルのような伝統的な都市研究手法は、多変数の扱いが制限され、空間等方性のような過度に単純で非現実的な仮定に依存するため、複雑なシナリオでは過小評価されることが多い。
ディープラーニングモデルは精度の向上を提供するが、そのブラックボックスの性質は、パフォーマンスと説明可能性の間にトレードオフをもたらし、どちらも通勤フローのような複雑な社会現象を分析するのに不可欠である。
そこで我々は,都市交通パターンの予測にフロー・ツー・フロー・アテンションを用いた,説明可能なトランスフォーマーモデルTransFlowerを紹介する。
異方性対応の相対位置エンコーダを備えた地理空間エンコーダを特徴とする。
これに続いて、変圧器に基づく流れ予測器は、注意機構を利用して流れの相互作用を効率的に捉えることにより、これを強化する。
我々のモデルは、都市計画と政策決定に不可欠な移動力学に関する洞察を提供する、通勤者の共通部分の最大30.8%で既存の手法より優れている。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - ST-MambaSync: The Complement of Mamba and Transformers for Spatial-Temporal in Traffic Flow Prediction [36.89741338367832]
本稿では,変圧器技術とST-Mambaブロックを組み合わせた,革新的な交通流予測モデルST-MambaSyncを紹介する。
我々は、トランスフォーマーフレームワーク内でResNetと統合されたアテンションメカニズムであるMambaメカニズムを採用する先駆者です。
論文 参考訳（メタデータ） (2024-04-24T14:41:41Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
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。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - Amortized Network Intervention to Steer the Excitatory Point Processes [8.15558505134853]
動的グラフ上に発生する励起点過程(すなわちイベントフロー)は、時間と空間を通じて離散事象がどのように広がるかを把握するためのきめ細かいモデルを提供する。
動的グラフ構造を変更してイベントフローを効果的に操縦する方法は、感染症の拡散を抑制する動機となる興味深い問題である。
我々はAmortized Network Interventionsフレームワークを設計し、履歴やその他のコンテキストから最適なポリシーをプールできるようにする。
論文 参考訳（メタデータ） (2023-10-06T11:17:28Z) - Building Transportation Foundation Model via Generative Graph
Transformer [12.660129805049664]
本稿では,交通シミュレーションの原理を交通予測に統合した交通基盤モデル(TFM)を提案する。
TFMは、移動系アクターの参加行動と相互作用を捉えるために、グラフ構造と動的グラフ生成アルゴリズムを使用する。
このデータ駆動・モデルフリーシミュレーション手法は、構造的複雑性とモデル精度の観点から、従来のシステムで直面する課題に対処する。
論文 参考訳（メタデータ） (2023-05-24T07:34:15Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2023-01-19T08:42:40Z) - Flowformer: Linearizing Transformers with Conservation Flows [77.25101425464773]
本研究では,フローネットワーク理論に基づくインダクティブバイアスのないトランスフォーマーを線形化する。
ソースコンペティション用シンクの流入流と、シンクアロケーション用ソースの流出流をそれぞれ保存することにより、フローアテンションは本質的に情報的注意を発生させる。
論文 参考訳（メタデータ） (2022-02-13T08:44:10Z) - Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel
Attention-Based Spatio-Temporal Graph Convolutional Networks [4.318655493189584]
建設工事の影響下での交通速度予測モデルを提案する。
このモデルは、強力なアテンションベースの時間グラフ畳み込みアーキテクチャに基づいているが、様々なチャネルを利用して異なる情報ソースを統合する。
このモデルは、2つのベンチマークデータセットと、北バージニアの散らかった道路の角で収集した新しいデータセットで評価されている。
論文 参考訳（メタデータ） (2021-10-04T16:07:37Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - Deep Gravity: enhancing mobility flows generation with deep neural
networks and geographic information [1.479639149658596]
既存のフロー生成ソリューションは主にメカニスティックなアプローチに基づいている。
フロー生成に有効な解として,多機能深層重力モデルを提案する。
本実験は, イングランドの通勤流を対象とした実験で, MFDGモデルが性能を著しく向上させることを示すものである。
論文 参考訳（メタデータ） (2020-12-01T13:49:46Z) - Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。
我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文 参考訳（メタデータ） (2020-07-23T14:31:25Z)
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。