論文の概要: Advancing Spatiotemporal Prediction using Artificial Intelligence: Extending the Framework of Geographically and Temporally Weighted Neural Network (GTWNN) for Differing Geographical and Temporal Contexts
- arxiv url: http://arxiv.org/abs/2503.22751v1
- Date: Thu, 27 Mar 2025 06:45:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-01 19:35:56.764531
- Title: Advancing Spatiotemporal Prediction using Artificial Intelligence: Extending the Framework of Geographically and Temporally Weighted Neural Network (GTWNN) for Differing Geographical and Temporal Contexts
- Title（参考訳）: 人工知能を用いた時空間予測の時空間化:地理・時空間文脈の識別のための地理・時空間重み付きニューラルネットワーク(GTWNN)の枠組みの拡張
- Authors: Nicholas Robert Fisk, Matthew Ng Kok Ming, Zahratu Shabrina,
- Abstract要約: ニューラルネットワーク(ANN)の数学的枠組みを拡張して予測犯罪モデルを改善することを目的とした論文。
我々は、地理的および時間的に重み付けられた回帰WRを解き、それをロンドン犯罪データに適用するための新しいアプローチを定式化した。
その結果,提案手法の仮定と近似の妥当性を裏付ける高精度な予測評価スコアが得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper aims at improving predictive crime models by extending the mathematical framework of Artificial Neural Networks (ANNs) tailored to general spatiotemporal problems and appropriately applying them. Recent advancements in the geospatial-temporal modelling field have focused on the inclusion of geographical weighting in their deep learning models to account for nonspatial stationarity, which is often apparent in spatial data. We formulate a novel semi-analytical approach to solving Geographically and Temporally Weighted Regression (GTWR), and applying it to London crime data. The results produce high-accuracy predictive evaluation scores that affirm the validity of the assumptions and approximations in the approach. This paper presents mathematical advances to the Geographically and Temporally Weighted Neural Network (GTWNN) framework, which offers a novel contribution to the field. Insights from past literature are harmoniously employed with the assumptions and approximations to generate three mathematical extensions to GTWNN's framework. Combinations of these extensions produce five novel ANNs, applied to the London and Detroit datasets. The results suggest that one of the extensions is redundant and is generally surpassed by another extension, which we term the history-dependent module. The remaining extensions form three novel ANN designs that pose potential GTWNN improvements. We evaluated the efficacy of various models in both the London and Detroit crime datasets, highlighting the importance of accounting for specific geographic and temporal characteristics when selecting modelling strategies to improve model suitability. In general, the proposed methods provide the foundations for a more context-aware, accurate, and robust ANN approach in spatio-temporal modelling.
- Abstract（参考訳）: 本稿では,一般的な時空間問題に適したニューラルネットワーク(ANN)の数学的枠組みを拡張し,適切な適用を行うことで,予測犯罪モデルを改善することを目的とする。
時空間モデリング分野の最近の進歩は、空間データによく見られる非空間的定常性を考慮した深層学習モデルに地理的重み付けを取り入れることに焦点を当てている。
我々は、GTWR(Geographically and Temporally Weighted Regression)を解き、それをロンドン犯罪データに適用するための、新たな半解析的アプローチを定式化した。
その結果,提案手法の仮定と近似の妥当性を裏付ける高精度な予測評価スコアが得られた。
本稿では,GTWNN(Geographically and Temporally Weighted Neural Network)フレームワークの数学的進歩について述べる。
過去の文献からの洞察は、GTWNNのフレームワークに3つの数学的拡張を生成するための仮定と近似を調和的に採用している。
これらの拡張を組み合わせることで、5つの新しいANNが作成され、ロンドンとデトロイトのデータセットに適用される。
結果は、拡張の1つは冗長であり、一般的には履歴依存加群と呼ばれる別の拡張によって超えられていることを示唆している。
残りの拡張は、GTWNNの改善をもたらす3つの新しいANNデザインを形成する。
ロンドンとデトロイトの犯罪データセットにおける各種モデルの有効性を評価し、モデル適合性を向上させるためのモデル選択戦略を選択する際に、特定の地理的・時間的特徴を考慮に入れることの重要性を強調した。
一般に,提案手法は時空間モデリングにおける文脈認識,正確,堅牢なANN手法の基礎を提供する。
関連論文リスト
- Incorporating graph neural network into route choice model [2.07180164747172]
本稿では,グラフニューラルネットワーク(GNN)に再帰ロジットモデルを統合するハイブリッドモデルを提案する。
数学的には、GNNの使用は予測性能の向上だけでなく、非関連代替資産の独立を緩和する上で有益であることを示す。
論文 参考訳（メタデータ） (2025-03-04T06:16:55Z) - 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) - Robust Traffic Forecasting against Spatial Shift over Years [11.208740750755025]
新たに提案したトラフィックOODベンチマークを用いて,時空間技術モデルについて検討する。
これらのモデルのパフォーマンスが著しく低下していることが分かりました。
そこで我々は,学習中にグラフ生成器の集合を学習し,それらを組み合わせて新しいグラフを生成するMixture Expertsフレームワークを提案する。
我々の手法は相似的かつ有効であり、任意の時間モデルにシームレスに統合できる。
論文 参考訳（メタデータ） (2024-10-01T03:49:29Z) - WEST GCN-LSTM: Weighted Stacked Spatio-Temporal Graph Neural Networks for Regional Traffic Forecasting [0.8215320771752098]
本研究の目的は,従来の時間的グラフニューラルネットワークアーキテクチャの拡張である。
エンドプロダクトは、WEST(Weighted STacked) GCN-LSTMと呼ばれる新しい時間グラフネットワークニューラルネットワークアーキテクチャである。
論文 参考訳（メタデータ） (2024-05-01T15:19:19Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - Graph-enabled Reinforcement Learning for Time Series Forecasting with
Adaptive Intelligence [11.249626785206003]
グラフニューラルネットワーク(GNN)と強化学習(RL)を用いたモニタリングによる時系列データの予測手法を提案する。
GNNは、データのグラフ構造をモデルに明示的に組み込むことができ、時間的依存関係をより自然な方法でキャプチャすることができる。
このアプローチは、医療、交通、天気予報など、複雑な時間構造におけるより正確な予測を可能にする。
論文 参考訳（メタデータ） (2023-09-18T22:25:12Z) - Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。
我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。
本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
論文 参考訳（メタデータ） (2023-07-04T05:19:19Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - Towards Expressive Spectral-Temporal Graph Neural Networks for Time Series Forecasting [101.5022396668152]
スペクトル時間グラフニューラルネットワークは、ほとんどの時系列予測モデルの基礎となる、有望な抽象化である。
我々は、スペクトル時間GNNの表現力を高める理論的枠組みを確立する。
本研究は,GNNをベースとした時系列モデルにおいて,より広範に表現可能なGNNモデルを考案するための道筋をたどるものである。
論文 参考訳（メタデータ） (2023-05-11T05:56:38Z) - Continuous-Time and Multi-Level Graph Representation Learning for
Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。
状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。
北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文 参考訳（メタデータ） (2022-06-30T03:37:50Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Spatio-Temporal Functional Neural Networks [11.73856529960872]
本稿では,多くの研究者によって有効性が証明された時間回帰モデルであるニューラル・ファンクショナル・ネットワーク(FNN)の2つの新しい拡張を提案する。
提案したモデルは気象分野における実用的で挑戦的な降水予測問題を解決するために展開される。
論文 参考訳（メタデータ） (2020-09-11T21:32:35Z)
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。