論文の概要: Origin-Destination Demand Prediction: An Urban Radiation and Attraction Perspective

• arxiv url: http://arxiv.org/abs/2412.00167v1
• Date: Fri, 29 Nov 2024 15:35:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:49:32.621263
• Title: Origin-Destination Demand Prediction: An Urban Radiation and Attraction Perspective
• Title（参考訳）: 原位置需要予測 : 都市放射線と誘引的視点
• Authors: Xuan Ma, Zepeng Bao, Ming Zhong, Yuanyuan Zhu, Chenliang Li, Jiawei Jiang, Qing Li, Tieyun Qian,
• Abstract要約: 本稿では,2種類のキャパシティ間の関係を捉える新しいモデルを提案する。 具体的には、まず、両側分岐ネットワークを用いて、地域放射線とアトラクション容量をモデル化する。 次に,ハイパーグラフを用いたパラメータ生成手法を用いて,同一領域の異なる容量の変換関係を記述する。
• 参考スコア（独自算出の注目度）: 47.472045876664424
• License:
• Abstract: In recent years, origin-destination (OD) demand prediction has gained significant attention for its profound implications in urban development. Existing data-driven deep learning methods primarily focus on the spatial or temporal dependency between regions yet neglecting regions' fundamental functional difference. Though knowledge-driven physical methods have characterised regions' functions by their radiation and attraction capacities, these functions are defined on numerical factors like population without considering regions' intrinsic nominal attributes, e.g., a region is a residential or industrial district. Moreover, the complicated relationships between two types of capacities, e.g., the radiation capacity of a residential district in the morning will be transformed into the attraction capacity in the evening, are totally missing from physical methods. In this paper, we not only generalize the physical radiation and attraction capacities into the deep learning framework with the extended capability to fulfil regions' functions, but also present a new model that captures the relationships between two types of capacities. Specifically, we first model regions' radiation and attraction capacities using a bilateral branch network, each equipped with regions' attribute representations. We then describe the transformation relationship of different capacities of the same region using a hypergraph-based parameter generation method. We finally unveil the competition relationship of different regions with the same attraction capacity through cluster-based adversarial learning. Extensive experiments on two datasets demonstrate the consistent improvements of our method over the state-of-the-art baselines, as well as the good explainability of regions' functions using their nominal attributes.
• Abstract（参考訳）: 近年, 都市開発に深く影響しているため, 原産地需要予測 (OD) が注目されている。 既存のデータ駆動深層学習手法は主に、地域の基本機能差を無視した領域間の空間的または時間的依存に焦点を当てている。 知識駆動の物理手法は, 放射線やアトラクション能力によって地域の機能を特徴付けるが, 地域固有の特長を考慮せずに, 人口などの数値的要因に基づいてこれらの機能を定義している。 また, 午前中の住宅の放射線容量は, 夜間のアトラクション容量に変化し, 物理的手法から完全に欠落している。 本稿では,地域関数を補完する拡張能力を備えた深層学習フレームワークに物理放射能とアトラクション容量を一般化するだけでなく,2種類の能力の関係を捉える新しいモデルを提案する。 具体的には、まず、各領域の属性表現を備えた両側分岐ネットワークを用いて、各領域の放射能とアトラクション容量をモデル化する。 次に,ハイパーグラフを用いたパラメータ生成手法を用いて,同一領域の異なる容量の変換関係を記述する。 最終的に、クラスタベースの対角学習を通じて、同じアトラクション能力を持つ異なる領域の競合関係を明らかにする。 2つのデータセットに対する広範囲な実験は、最先端のベースラインに対する我々の手法の一貫性の向上と、その名目属性を用いた地域関数の優れた説明可能性を示す。

関連論文リスト

• Prioritizing Potential Wetland Areas via Region-to-Region Knowledge Transfer and Adaptive Propagation [9.99241578238986]
  湿地は地域社会にとって重要であり、水質浄化から洪水保護、レクリエーション、観光など様々な利益を提供している。 データ駆動型ソリューションは実現可能であるが、米国南西部の多くの地域では湿地の割合が低いため、データ空間がかなり複雑である。 これにより、追加の湿地領域の識別をガイドするためのデータ駆動モデルの開発が困難になる。
  論文  参考訳（メタデータ） (2024-06-08T21:25:24Z)
• Urban Region Representation Learning with Attentive Fusion [18.095344335507082]
  本稿では,都市域の表現,すなわち埋め込みを学習するための新しいモデルを提案する。 我々のモデルはDAFusionという名前の二重機能減衰核融合モジュールによって駆動される。 学習した領域の埋め込みを使用することで、予測精度が最大31%向上する。
  論文  参考訳（メタデータ） (2023-12-07T11:05:06Z)
• Learning Regionalization using Accurate Spatial Cost Gradients within a Differentiable High-Resolution Hydrological Model: Application to the French Mediterranean Region [0.18139022013189662]
  未採集における分散水文パラメータの推定は, 地域化の問題を引き起こす。 本稿では,学習可能な地域化マッピングを取り入れたハイブリッド・アシミレーション・地域化(HDA-PR)手法を提案する。 その結果,特に上流から下流までの補間において,HDA-PRの強い地域化が顕著となった。
  論文  参考訳（メタデータ） (2023-08-02T07:23:50Z)
• GIVL: Improving Geographical Inclusivity of Vision-Language Models with Pre-Training Methods [62.076647211744564]
  我々は地理包摂型視覚・言語事前学習モデルであるGIVLを提案する。 1) 類似のカテゴリにおける概念は独自の知識と視覚的特徴を持ち、2) 類似の視覚的特徴を持つ概念は、全く異なるカテゴリに該当する可能性がある。 GIVLは、同様のスケールのデータを事前訓練した類似サイズのモデルと比較して、最先端のSOTA(State-of-the-art)を達成し、ジオディバースなV&Lタスクにおけるよりバランスの取れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-01-05T03:43:45Z)
• Region-Based Semantic Factorization in GANs [67.90498535507106]
  本稿では,任意の画像領域についてGAN(Generative Adversarial Networks)が学習した潜在意味を分解するアルゴリズムを提案する。 適切に定義された一般化されたレイリー商を通して、アノテーションや訓練なしにそのような問題を解く。 様々な最先端のGANモデルに対する実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-02-19T17:46:02Z)
• Point-Level Region Contrast for Object Detection Pre-Training [147.47349344401806]
  本稿では,物体検出作業のための自己教師付き事前学習手法である点レベル領域コントラストを提案する。 提案手法は,異なる領域から個々の点対を直接抽出することにより,コントラスト学習を行う。 領域ごとの集約表現と比較すると,入力領域の品質の変化に対して,我々のアプローチはより堅牢である。
  論文  参考訳（メタデータ） (2022-02-09T18:56:41Z)
• Urban Region Profiling via A Multi-Graph Representation Learning Framework [0.0]
  本研究では,都市域のプロファイリングのための多グラフ代表学習フレームワークであるRerea2Vecを提案する。 実世界のデータセットの実験によると、Rerea2Vecは3つのアプリケーションで使用でき、最先端のベースラインをすべて上回っている。
  論文  参考訳（メタデータ） (2022-02-04T11:05:37Z)
• Kinship Verification Based on Cross-Generation Feature Interaction Learning [53.62256887837659]
  顔画像からの血縁検証は、コンピュータビジョンの応用において、新しいが挑戦的な技術として認識されている。 本稿では,頑健な親族関係検証のためのクロスジェネレーション・インタラクション・ラーニング(CFIL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-07T01:50:50Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)

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。