論文の概要: GeoPro-Net: Learning Interpretable Spatiotemporal Prediction Models through Statistically-Guided Geo-Prototyping
- arxiv url: http://arxiv.org/abs/2412.15353v1
- Date: Thu, 19 Dec 2024 19:39:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-23 16:21:39.893781
- Title: GeoPro-Net: Learning Interpretable Spatiotemporal Prediction Models through Statistically-Guided Geo-Prototyping
- Title(参考訳): GeoPro-Net:統計的誘導型ジオプロトタイピングによる解釈可能な時空間予測モデルの学習
- Authors: Bang An, Xun Zhou, Zirui Zhou, Ronilo Ragodos, Zenglin Xu, Jun Luo,
- Abstract要約: 深層学習とマルチソース時間予測のギャップを埋めるため,GeoPro-Netを提案する。
GeoPro-Netは、異なる概念の集合を本質的に学習し、それらを現実世界のケースに解釈する。
- 参考スコア(独自算出の注目度): 36.33309805132091
- License:
- Abstract: The problem of forecasting spatiotemporal events such as crimes and accidents is crucial to public safety and city management. Besides accuracy, interpretability is also a key requirement for spatiotemporal forecasting models to justify the decisions. Interpretation of the spatiotemporal forecasting mechanism is, however, challenging due to the complexity of multi-source spatiotemporal features, the non-intuitive nature of spatiotemporal patterns for non-expert users, and the presence of spatial heterogeneity in the data. Currently, no existing deep learning model intrinsically interprets the complex predictive process learned from multi-source spatiotemporal features. To bridge the gap, we propose GeoPro-Net, an intrinsically interpretable spatiotemporal model for spatiotemporal event forecasting problems. GeoPro-Net introduces a novel Geo-concept convolution operation, which employs statistical tests to extract predictive patterns in the input as Geo-concepts, and condenses the Geo-concept-encoded input through interpretable channel fusion and geographic-based pooling. In addition, GeoPro-Net learns different sets of prototypes of concepts inherently, and projects them to real-world cases for interpretation. Comprehensive experiments and case studies on four real-world datasets demonstrate that GeoPro-Net provides better interpretability while still achieving competitive prediction performance compared with state-of-the-art baselines.
- Abstract(参考訳): 犯罪や事故などの時空間的事象を予報する問題は、公共の安全と市の管理に不可欠である。
正確性に加えて、解釈可能性もまた、決定を正当化するための時空間予測モデルにとって重要な要件である。
しかし, 時空間予測機構の解釈は, マルチソース時空間特徴の複雑さ, 非専門家の時空間パターンの非直観的性質, 空間的不均一性の存在などにより困難である。
現在、既存のディープラーニングモデルは、複数のソースの時空間的特徴から学んだ複雑な予測過程を本質的に解釈していない。
このギャップを埋めるため,時空間予測問題に対する本質的に解釈可能な時空間モデルGeoPro-Netを提案する。
GeoPro-Netは,Geo-Conceptコンボリューション(Geo-Concept Convolution)演算を導入した。GeoPro-Netは,Geo-Conceptとして入力中の予測パターンを抽出し,解釈可能なチャネル融合と地理ベースプールを通じてGeo-Concept-encoded入力を凝縮する。
さらに、GeoPro-Netは概念の異なるプロトタイプセットを本質的に学習し、現実の解釈ケースに投影する。
4つの実世界のデータセットに関する総合的な実験とケーススタディにより、GeoPro-Netは、最先端のベースラインに比べて競争力のある予測性能を保ちながら、より良い解釈性を提供することが示された。
関連論文リスト
- Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。
このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。
結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文 参考訳(メタデータ) (2024-12-30T13:55:59Z) - GeoConformal prediction: a model-agnostic framework of measuring the uncertainty of spatial prediction [1.8127783865655926]
ジオコンフォーマル予測(GeoConformal Prediction)と呼ばれるモデルに依存しない不確実性評価手法を提案する。
空間回帰と空間予測の2つの古典的空間予測事例に適用する。
また,GeoConformalは,地理知識探索だけでなく,将来的なGeoAIモデルの設計の指導にも有用であることがわかった。
論文 参考訳(メタデータ) (2024-12-05T18:40:06Z) - 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) - Towards physics-informed neural networks for landslide prediction [1.03590082373586]
PINNは、一般的なプロキシ変数から地理的パラメータを明示的に取得するニューラルネットワークである。
我々のモデルは、標準感受性出力という形で優れた予測性能を生み出す。
このアーキテクチャは、他の研究で確認されれば、PINNベースの準リアルタイム予測に向けて開放される可能性がある、コサイスミックな地すべり予測に取り組むために構築されている。
論文 参考訳(メタデータ) (2024-07-09T11:54:49Z) - Geode: A Zero-shot Geospatial Question-Answering Agent with Explicit Reasoning and Precise Spatio-Temporal Retrieval [0.0]
本研究では,ゼロショット地理空間的質問応答タスクを高精度に処理するための先駆的システムを提案する。
当社のアプローチは,現在の大規模言語モデルの限界に対処する上で,大幅な改善を図っている。
論文 参考訳(メタデータ) (2024-06-26T21:59:54Z) - 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) - TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。
提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。
私たちのコードはGitHubで公開されます。
論文 参考訳(メタデータ) (2023-01-05T22:10:16Z) - Geo-Adaptive Deep Spatio-Temporal predictive modeling for human mobility [5.864710987890994]
深部GA-vLSは、データが不規則なデータを扱うという課題に直面し、定形かつ規則的なテンソル形状のデータを仮定する。
本稿では,その再帰的メカニズムを維持しつつ,新たなデータ構造に基づくジオアウェアな学習操作を提案する。
論文 参考訳(メタデータ) (2022-11-27T16:51:28Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳(メタデータ) (2022-05-06T13:45:32Z) - Building Autocorrelation-Aware Representations for Fine-Scale
Spatiotemporal Prediction [1.2862507359003323]
本稿では,空間統計理論をニューラルネットワークに組み込んだ新しいディープラーニングアーキテクチャを提案する。
DeepLATTEには、局所的自己相関パターンとグローバルな自己相関傾向の両方を強制する、自己相関誘導半教師付き学習戦略が含まれている。
我々は,DeepLATTEの公開データを用いた実演を行い,健康上の重要なトピックとして,高度に適合した複雑な物理環境下での空気質予測を行った。
論文 参考訳(メタデータ) (2021-12-10T03:21:19Z)
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。