論文の概要: On the potential of Optimal Transport in Geospatial Data Science
- arxiv url: http://arxiv.org/abs/2410.11709v1
- Date: Tue, 15 Oct 2024 15:46:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-16 14:00:39.412216
- Title: On the potential of Optimal Transport in Geospatial Data Science
- Title（参考訳）: 地理空間データ科学における最適輸送の可能性について
- Authors: Nina Wiedemann, Théo Uscidda, Martin Raubal,
- Abstract要約: 空間的評価基準と損失関数として最適輸送(OT)を提唱した。
実データおよび合成データに関する実験では,1)予測誤差の空間分布が多くのアプリケーションに関係し,実際のコストに変換可能であることを示した。
我々は、予測の空間的正しさを改善するために、ニューラルネットワークにおける損失関数としてOTを活用することを提唱する。
- 参考スコア（独自算出の注目度）: 2.2766940909460986
- License:
- Abstract: Prediction problems in geographic information science and transportation are frequently motivated by the possibility to enhance operational efficiency. Examples range from predicting car sharing demand for optimizing relocation to forecasting traffic congestion for navigation purposes. However, conventional accuracy metrics do not account for the spatial distribution of predictions errors, despite its relevance for operations. We put forward Optimal Transport (OT) as a spatial evaluation metric and loss function. The proposed OT metric assesses the utility of spatial prediction models in terms of the relocation costs caused by prediction errors. In experiments on real and synthetic data, we demonstrate that 1) the spatial distribution of the prediction errors is relevant in many applications and can be translated to real-world costs, 2) in contrast to other metrics, OT reflects these spatial costs, and 3) OT metrics improve comparability across spatial and temporal scales. Finally, we advocate for leveraging OT as a loss function in neural networks to improve the spatial correctness of predictions. This approach not only aligns evaluation in GeoAI with operational considerations, but also signifies a step forward in refining predictions within geospatial applications. To facilitate the adoption of OT in GIS, we provide code and tutorials at https://github.com/mie-lab/geospatialOT.
- Abstract（参考訳）: 地理情報科学と交通学における予測問題は、運用効率を高める可能性によってしばしば動機づけられる。
例えば、カーシェアリング需要の予測、移動の最適化、ナビゲーション目的の交通渋滞の予測などです。
しかし,従来の精度測定では,操作の関連性にもかかわらず,予測誤差の空間分布は考慮されていない。
空間的評価基準と損失関数として最適輸送(OT)を提唱した。
提案手法は, 空間予測モデルの有用性を, 予測誤差による転位コストの観点から評価する。
実データと合成データの実験では
1) 予測誤差の空間分布は多くのアプリケーションに関係しており, 実際のコストに変換できる。
2)他の指標とは対照的に、OTはこれらの空間コストを反映し、
3) OTメトリクスは空間的・時間的尺度間でのコンパラビリティを向上させる。
最後に、予測の空間的正しさを改善するために、ニューラルネットワークにおける損失関数としてOTを活用することを提唱する。
このアプローチは、GeoAIの評価を運用上の考慮に合わせるだけでなく、地理空間アプリケーション内での予測を洗練するための一歩でもある。
GISにおけるOTの採用を促進するため、https://github.com/mie-lab/geospatialOT.comでコードとチュートリアルを提供している。
関連論文リスト
- Improved context-sensitive transformer model for inland vessel trajectory prediction [2.287415292857564]
物理関連およびモデルに基づく船舶軌道予測は非常に正確であるが、検討中の船舶の具体的な知識が必要である。
機械学習に基づく軌道予測モデルは専門家の知識を必要としないが、大量のデータから抽出された暗黙の知識に依存している。
近年,血管軌跡予測のための深層学習法が提案されている。
論文 参考訳（メタデータ） (2024-06-04T20:39:14Z) - Uncertainty-aware Traffic Prediction under Missing Data [12.443185263911637]
実際のシナリオでは、予算の制限とインストールの可用性のために、センサーのデプロイが制限される可能性がある。
本研究では,(1)過去の記録のない場所まで予測を拡張できる不確実性を考慮したフレームワークを提案し,その空間的範囲を著しく拡張する。
また,本モデルにより,輸送分野におけるセンサ配置タスクを支援することができ,センサ配置予算を限定して高精度化できることを示す。
論文 参考訳（メタデータ） (2023-09-13T08:48:00Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - Decision-Oriented Learning with Differentiable Submodular Maximization
for Vehicle Routing Problem [23.211667169614227]
文脈観測(入力)をサブモジュール関数(出力)のパラメータにマッピングする関数の学習問題について検討する。
本稿では,タスク最適化を予測フェーズにおける微分可能な層として組み込んだフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-02T19:19:39Z) - 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) - Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。
具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。
さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
論文 参考訳（メタデータ） (2022-03-09T21:08:47Z) - Adaptive Selection of Informative Path Planning Strategies via
Reinforcement Learning [6.015556590955814]
ローカルプランニング」アプローチでは,次回のサンプリング場所の優先順位が予測性能や帰路距離に与える影響を調査するために,様々な空間範囲が採用されている。
温度モニタリングロボットの使用事例実験により、プランナーの動的混合物は高度な情報プランを生成できるだけでなく、予測信頼性を犠牲にすることなく、大幅に距離を縮めることができることが示された。
論文 参考訳（メタデータ） (2021-08-14T21:32:33Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:17:42Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z) - Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。
重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。
本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
論文 参考訳（メタデータ） (2020-05-04T17:45:18Z)
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。