論文の概要: SPTTE: A Spatiotemporal Probabilistic Framework for Travel Time Estimation

• arxiv url: http://arxiv.org/abs/2411.18484v1
• Date: Wed, 27 Nov 2024 16:28:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:25:51.525953
• Title: SPTTE: A Spatiotemporal Probabilistic Framework for Travel Time Estimation
• Title（参考訳）: SPTTE:旅行時間推定のための時空間確率的フレームワーク
• Authors: Chen Xu, Qiang Wang, Lijun Sun,
• Abstract要約: 実世界の旅行データは、しばしば時間的に疎外され、不均一に分散される。 SPTTEは、RNNベースの時間的ガウス過程パラメータ化を導入し、スパース観測を規則化し、時間的依存関係をキャプチャする。 実世界のデータセットの評価によると、SPTTEは最先端の確率的手法を10.13%以上上回っている。
• 参考スコア（独自算出の注目度）: 21.092166159353702
• License:
• Abstract: Accurate travel time estimation is essential for navigation and itinerary planning. While existing research employs probabilistic modeling to assess travel time uncertainty and account for correlations between multiple trips, modeling the temporal variability of multi-trip travel time distributions remains a significant challenge. Capturing the evolution of joint distributions requires large, well-organized datasets; however, real-world trip data are often temporally sparse and spatially unevenly distributed. To address this issue, we propose SPTTE, a spatiotemporal probabilistic framework that models the evolving joint distribution of multi-trip travel times by formulating the estimation task as a spatiotemporal stochastic process regression problem with fragmented observations. SPTTE incorporates an RNN-based temporal Gaussian process parameterization to regularize sparse observations and capture temporal dependencies. Additionally, it employs a prior-based heterogeneity smoothing strategy to correct unreliable learning caused by unevenly distributed trips, effectively modeling temporal variability under sparse and uneven data distributions. Evaluations on real-world datasets demonstrate that SPTTE outperforms state-of-the-art deterministic and probabilistic methods by over 10.13%. Ablation studies and visualizations further confirm the effectiveness of the model components.
• Abstract（参考訳）: 正確な旅行時間推定は、ナビゲーションと反復計画に不可欠である。 既存の研究では、旅行時間の不確実性を評価し、複数の旅行間の相関を考慮に入れた確率論的モデリングが採用されているが、マルチトリップ旅行時間分布の時間的変動をモデル化することは大きな課題である。 共同分布の進化を捉えるには、大きく、よく組織されたデータセットが必要であるが、現実の旅行データは時間的に疎く、空間的に不均一に分散されることが多い。 この問題に対処するために,SPTTEを提案する。これは,複数回の旅行時間の進行する共同分布を,断片的な観測を伴う時空間確率過程回帰問題として推定タスクを定式化することによってモデル化する,時空間確率的フレームワークである。 SPTTEは、RNNベースの時間的ガウス過程パラメータ化を導入し、スパース観測を規則化し、時間的依存関係をキャプチャする。 さらに、不均一な旅行による信頼できない学習を補正するために、事前の均一性平滑化戦略を採用し、スパースおよび不均一なデータ分布の下での時間的変動を効果的にモデル化する。 実世界のデータセットの評価によると、SPTTEは最先端の決定論的および確率論的手法を10.13%以上上回っている。 アブレーション研究と可視化により、モデルコンポーネントの有効性がさらに確認される。

関連論文リスト

• ProGen: Revisiting Probabilistic Spatial-Temporal Time Series Forecasting from a Continuous Generative Perspective Using Stochastic Differential Equations [18.64802090861607]
  ProGen Proは、不確実性を管理しながら依存関係を効果的にキャプチャする堅牢なソリューションを提供する。 4つのベンチマークトラフィックデータセットの実験により、ProGen Proは最先端の決定論的確率モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-02T14:37:30Z)
• Link Representation Learning for Probabilistic Travel Time Estimation [21.092166159353702]
  本稿では,ガウス階層モデルを用いた旅行レベルのリンク旅行時間をモデル化する。 その結果、最先端の決定論的および確率論的ベースラインと比較して優れた性能を示した。 学習したリンク表現はネットワークの物理幾何学とよく一致し、他のアプリケーションに対する入力として適していることがわかった。
  論文  参考訳（メタデータ） (2024-07-08T13:01:53Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [25.91078012394032]
  不均一な時間間隔やコンポーネントのミスアライメントを含む時間的不規則。 我々は,非ガウス的データ分布を非パラメトリック的に表現する条件フロー表現を開発する。 提案手法の広範な適用性と優位性は,実世界のデータセット上でのアブレーション研究とテストを通じて,既存のアプローチと比較することによって確認される。
  論文  参考訳（メタデータ） (2023-06-15T14:08:48Z)
• Spatio-temporal Diffusion Point Processes [23.74522530140201]
  パティオ・テンポラル・ポイント・プロセス(英: patio-temporal point process、STPP)は、時間と空間を伴うイベントの集合である。 結合分布のモデル化に失敗すると、与えられた事象の過去の時間的相互作用を特徴づける能力は限られる。 複雑な時空間の関節分布を学習する新しいパラメータ化フレームワークを提案する。 我々のフレームワークは最先端のベースラインを著しく上回り、平均50%以上の改善がなされています。
  論文  参考訳（メタデータ） (2023-05-21T08:53:00Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• 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)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。