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
- 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) - Spatial and social situation-aware transformer-based trajectory prediction of autonomous systems [2.498836880652668]
エージェントの振る舞いを所定の状況で予測するには、時間内に適切に反応する必要がある。
近年,深層学習に基づくモデルが動き予測の主流となっている。
より長い予測地平線の場合、予測軌道の地平線からの偏差は、空間的・社会的に非依存なモデルに比べて低い。
論文 参考訳(メタデータ) (2024-06-04T20:36:16Z) - 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) - 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) - 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) - STG-GAN: A spatiotemporal graph generative adversarial networks for
short-term passenger flow prediction in urban rail transit systems [11.167132464665578]
短期の旅客フロー予測は、都市交通システムを管理する上で重要であるが、難しい課題である。
本稿では,予測精度が高く,高い効率,メモリ占有率の低い,ディープラーニングに基づく時間グラフ生成対向ネットワーク(STG-GAN)モデルを提案する。
本研究は、特に現実の応用の観点から、短期の乗客フロー予測を行う上で、批判的な経験を提供することができる。
論文 参考訳(メタデータ) (2022-02-10T13:18:11Z) - Do Neural Optimal Transport Solvers Work? A Continuous Wasserstein-2
Benchmark [133.46066694893318]
最適輸送のためのニューラルネットワークに基づく解法の性能を評価する。
既存の解法では,下流タスクでは良好に機能するにもかかわらず,最適な輸送マップを復元できないことがわかった。
論文 参考訳(メタデータ) (2021-06-03T15:59:28Z) - 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 Unsupervised Method of Vessel Movement Trajectory Prediction [1.2617078020344619]
本稿では,船体移動軌跡予測の教師なし手法を提案する。
これは、点間の時間差、試験された点と予測された前方および後方位置の間のスケールした誤差距離、時空間の角度からなる3次元空間におけるデータを表す。
多くの統計的学習法や深層学習法とは異なり、クラスタリングに基づく軌道再構成法は計算コストのかかるモデルトレーニングを必要としない。
論文 参考訳(メタデータ) (2020-07-27T17:45:21Z) - DeepKriging: Spatially Dependent Deep Neural Networks for Spatial
Prediction [2.219504240642369]
空間統計学において、共通の目的は、空間依存を利用して、観測されていない場所での空間過程の値を予測することである。
DeepKriging法はガウスの場合にはKrigingと直接リンクしており、非ガウスおよび非定常データに対してKrigingよりも多くの利点がある。
本手法を米国大陸におけるPM2.5濃度の予測に適用する。
論文 参考訳(メタデータ) (2020-07-23T12:38:53Z)
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。