論文の概要: Causality Enhanced Origin-Destination Flow Prediction in Data-Scarce Cities

• arxiv url: http://arxiv.org/abs/2503.06398v1
• Date: Sun, 09 Mar 2025 02:36:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:51:25.836597
• Title: Causality Enhanced Origin-Destination Flow Prediction in Data-Scarce Cities
• Title（参考訳）: データスカースシティーにおける因果性向上による原位置推定フロー予測
• Authors: Tao Feng, Yunke Zhang, Huandong Wang, Yong Li,
• Abstract要約: そこで我々は,都市間における都市知識の伝達を目的とした,Causality-Enhanced OD Flow Prediction (CE-OFP) フレームワークを提案する。 提案したCE-OFPは最先端のベースラインを著しく上回り、データ共有都市におけるODフロー予測のRMSEを最大11%削減することができる。
• 参考スコア（独自算出の注目度）: 13.436303786475348
• License:
• Abstract: Accurate origin-destination (OD) flow prediction is of great importance to developing cities, as it can contribute to optimize urban structures and layouts. However, with the common issues of missing regional features and lacking OD flow data, it is quite daunting to predict OD flow in developing cities. To address this challenge, we propose a novel Causality-Enhanced OD Flow Prediction (CE-OFP), a unified framework that aims to transfer urban knowledge between cities and achieve accuracy improvements in OD flow predictions across data-scarce cities. In specific, we propose a novel reinforcement learning model to discover universal causalities among urban features in data-rich cities and build corresponding causal graphs. Then, we further build Causality-Enhanced Variational Auto-Encoder (CE-VAE) to incorporate causal graphs for effective feature reconstruction in data-scarce cities. Finally, with the reconstructed features, we devise a knowledge distillation method with a graph attention network to migrate the OD prediction model from data-rich cities to data-scare cities. Extensive experiments on two pairs of real-world datasets validate that the proposed CE-OFP remarkably outperforms state-of-the-art baselines, which can reduce the RMSE of OD flow prediction for data-scarce cities by up to 11%.
• Abstract（参考訳）: 都市構造やレイアウトの最適化に寄与するので、開発途上国にとってODフローの正確な予測は極めて重要である。 しかし、地域的特徴の欠如やODフローデータの欠如といった共通の問題により、発展途上国におけるODフローの予測は非常に困難である。 この課題に対処するために、我々は、都市間における都市知識の伝達とデータ共有都市間のODフロー予測の精度向上を目的とした統合フレームワークである、Causality-Enhanced OD Flow Prediction (CE-OFP)を提案する。 具体的には,データ豊富な都市における都市の特徴間の共通因果関係を発見し,対応する因果グラフを構築するための,新たな強化学習モデルを提案する。 次に, 因果グラフを組み込んだ因果変化型自動エンコーダ (CE-VAE) を構築。 最後に,データ豊富な都市からデータケア都市へOD予測モデルを移行するために,グラフ注意ネットワークを用いた知識蒸留手法を考案した。 2つの実世界のデータセットに対する大規模な実験により、提案されたCE-OFPは最先端のベースラインを著しく上回り、データスカース都市のODフロー予測のRMSEを最大11%削減できることを確認した。

関連論文リスト

• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Urban traffic analysis and forecasting through shared Koopman eigenmodes [5.207485728774798]
  データ量の多い都市における交通流の予測は、限られた歴史的データのために困難である。 データ豊かな都市に共通する周期パターンを同定することで、伝達学習を活用する。 この方法は、交通パターンの一般的な固有モード(アーバンハートビート)を明らかにし、それらをデータ共有都市に転送する。
  論文  参考訳（メタデータ） (2024-09-07T06:24:50Z)
• Harnessing LLMs for Cross-City OD Flow Prediction [5.6685153523382015]
  大規模言語モデル(LLM)を用いた都市間原位置推定(OD)フロー予測の新しい手法を提案する。 我々のアプローチは,LLMの高度な意味理解と文脈学習能力を利用して,異なる特徴を持つ都市間のギャップを埋める。 我々の新しいフレームワークは、ソース都市からODトレーニングデータセットを収集し、LSMを指導し、ターゲット都市における宛先POIを予測し、予測された宛先POIに最も合う場所を特定する4つの主要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2024-09-05T23:04:28Z)
• Explainable Hierarchical Urban Representation Learning for Commuting Flow Prediction [1.5156879440024378]
  通勤フロー予測は、現実の自治体の業務に欠かせない課題である。 我々は,異なるタイプのODフローを予測するために,意味のある領域埋め込みを生成するヘテロジニアスグラフベースモデルを開発した。 提案モデルでは,一様都市構造の観点から既存モデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-27T03:30:01Z)
• OpenCity: Open Spatio-Temporal Foundation Models for Traffic Prediction [29.514461050436932]
  多様なデータ特性から、基盤となる見えない時間パターンを効果的にキャプチャし、正規化できる、OpenCityという新しい基盤モデルを導入する。 OpenCityはTransformerアーキテクチャとグラフニューラルネットワークを統合して、トラフィックデータの複雑な時間依存性をモデル化する。 実験の結果、OpenCityは例外的なゼロショット性能を示した。
  論文  参考訳（メタデータ） (2024-08-16T15:20:36Z)
• 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)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• Towards Generative Modeling of Urban Flow through Knowledge-enhanced Denoising Diffusion [27.045479361702373]
  既存の研究は主に、過去の流れデータに基づいて将来の流れを予測する都市流れの予測モデルに焦点を当てている。 他の研究は、地域間のODフローを予測することを目的としているが、時間とともに都市フローの動的変化をモデル化することができない。 本研究では,歴史的流れデータのない地域を対象とした動的都市流を生成する都市流生成の新たな課題について検討する。
  論文  参考訳（メタデータ） (2023-09-19T11:52:57Z)
• Unified Data Management and Comprehensive Performance Evaluation for Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
  この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。 都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。 多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
  論文  参考訳（メタデータ） (2023-08-24T16:20:00Z)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)
• Local Augmentation for Graph Neural Networks [78.48812244668017]
  本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。 局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
  論文  参考訳（メタデータ） (2021-09-08T18:10:08Z)

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。