論文の概要: A Unified Model for Spatio-Temporal Prediction Queries with Arbitrary Modifiable Areal Units

• arxiv url: http://arxiv.org/abs/2403.07022v1
• Date: Sun, 10 Mar 2024 02:34:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-14 00:12:57.098643
• Title: A Unified Model for Spatio-Temporal Prediction Queries with Arbitrary Modifiable Areal Units
• Title（参考訳）: 任意変更型実時間単位付き時空間予測クエリの統一モデル
• Authors: Liyue Chen, Jiangyi Fang, Tengfei Liu, Shaosheng Cao, Leye Wang
• Abstract要約: One4All-STは、1つのモデルのみを使用して任意の修飾可能なアラル単位に対してST予測を行うことができるフレームワークである。 本稿では,定式化された最適組合せ問題を解くための動的プログラミング手法を提案する。 2つの実世界のデータセットの実験は、One4All-STの有効性と有効性を検証する。
• 参考スコア（独自算出の注目度）: 12.926158225647804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatio-Temporal (ST) prediction is crucial for making informed decisions in urban location-based applications like ride-sharing. However, existing ST models often require region partition as a prerequisite, resulting in two main pitfalls. Firstly, location-based services necessitate ad-hoc regions for various purposes, requiring multiple ST models with varying scales and zones, which can be costly to support. Secondly, different ST models may produce conflicting outputs, resulting in confusing predictions. In this paper, we propose One4All-ST, a framework that can conduct ST prediction for arbitrary modifiable areal units using only one model. To reduce the cost of getting multi-scale predictions, we design an ST network with hierarchical spatial modeling and scale normalization modules to efficiently and equally learn multi-scale representations. To address prediction inconsistencies across scales, we propose a dynamic programming scheme to solve the formulated optimal combination problem, minimizing predicted error through theoretical analysis. Besides, we suggest using an extended quad-tree to index the optimal combinations for quick response to arbitrary modifiable areal units in practical online scenarios. Extensive experiments on two real-world datasets verify the efficiency and effectiveness of One4All-ST in ST prediction for arbitrary modifiable areal units. The source codes and data of this work are available at https://github.com/uctb/One4All-ST.
• Abstract（参考訳）: 時空間(ST)予測は、ライドシェアリングのような都市における位置情報ベースのアプリケーションにおいて情報決定を行う上で不可欠である。 しかし、既存のSTモデルは、しばしば前提条件として領域分割を必要とするため、2つの主要な落とし穴が生じる。 まず、ロケーションベースのサービスは様々な目的のためにアドホック領域を必要とし、様々なスケールとゾーンを持つ複数のSTモデルを必要とする。 第2に、異なるSTモデルが矛盾する出力を生成し、混乱した予測をもたらす。 本論文では, 1 つのモデルのみを用いて任意の有界単位に対するst予測を行うフレームワークone4all-stを提案する。 マルチスケール予測のコストを削減するため,階層型空間モデリングと拡張正規化モジュールを用いたSTネットワークを設計し,マルチスケール表現を効率的に等しく学習する。 そこで本研究では, 最適組合せ問題を解くための動的計画法を提案し, 理論解析による予測誤差を最小化する。 さらに, オンラインシナリオにおいて, 最適な組み合わせをインデックス化するために拡張されたクワッドツリーを使うことを提案する。 2つの実世界のデータセットに対する大規模な実験は、任意の修飾可能なアラル単位に対するST予測におけるOne4All-STの有効性と有効性を検証する。 この作業のソースコードとデータはhttps://github.com/uctb/One4All-STで公開されている。

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)
• Dividable Configuration Performance Learning [4.949726352498762]
  本稿では,DaLと呼ばれる構成性能を予測するためのモデルに依存しない,スパース性ロバストなフレームワークを提案する。 DaLは、"diide-and-learn"を使ってモデルを構築する、分割可能な学習の新しいパラダイムに基づいている。
  論文  参考訳（メタデータ） (2024-09-11T21:23:23Z)
• Model Ensembling for Constrained Optimization [7.4351710906830375]
  下流最適化に使用される多次元出力予測のためのモデルを組み立てたいという設定について検討する。 より正確には、状態空間を多次元実数値予測にマッピングする多くのモデルが与えられていると想像する。 これらの予測は、指定された制約の下で最適化したい線形対象の係数を形成する。 証明可能かつ収束性の高い2つのアルゴリズムに導かれる多重校正手法を適用した。
  論文  参考訳（メタデータ） (2024-05-27T01:48:07Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Multi-Factor Spatio-Temporal Prediction based on Graph Decomposition Learning [31.812810009108684]
  本稿では,様々な要因の下で部分的なSTデータの進化を予測する多要素ST予測タスクを提案する。 多要素ST予測のための新しいモデル非依存フレームワークである分解グラフ学習(STGDL)を創出する。 その結果,様々なSTモデルの予測誤差を平均9.41%削減できることがわかった。
  論文  参考訳（メタデータ） (2023-10-16T13:12:27Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Single-Stage Visual Relationship Learning using Conditional Queries [60.90880759475021]
  TraCQは、マルチタスク学習問題とエンティティペアの分布を回避する、シーングラフ生成の新しい定式化である。 我々は,DETRをベースとしたエンコーダ-デコーダ条件付きクエリを用いて,エンティティラベル空間を大幅に削減する。 実験結果から、TraCQは既存のシングルステージシーングラフ生成法よりも優れており、Visual Genomeデータセットの最先端の2段階メソッドを多く上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-09T06:02:01Z)
• Universal Test-time Adaptation through Weight Ensembling, Diversity Weighting, and Prior Correction [3.5139431332194198]
  テスト時適応(TTA)はデプロイ後もモデルを更新し続け、現在のテストデータを活用する。 我々は、自己学習ベースの手法が対処しなければならないいくつかの課題を特定し、強調する。 モデルがバイアスを受けるのを防ぐために、データセットとモデルに依存しない確実性と多様性の重み付けを利用する。
  論文  参考訳（メタデータ） (2023-06-01T13:16:10Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)

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。