論文の概要: Spatio-temporal Prediction of Fine-Grained Origin-Destination Matrices with Applications in Ridesharing
- arxiv url: http://arxiv.org/abs/2503.24237v1
- Date: Mon, 31 Mar 2025 15:52:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-01 14:39:56.368521
- Title: Spatio-temporal Prediction of Fine-Grained Origin-Destination Matrices with Applications in Ridesharing
- Title（参考訳）: 微粒化原位置行列の時空間予測とライドシェアリングへの応用
- Authors: Run Yang, Runpeng Dai, Siran Gao, Xiaocheng Tang, Fan Zhou, Hongtu Zhu,
- Abstract要約: 本稿では,データ空間の疎結合を緩和するための教師なし空間粗大化技術と,意味的および地理的依存関係の両方をキャプチャするエンコーダ・デコーダ・アーキテクチャとを組み合わせたOD-CEDを紹介する。
従来の統計手法に比べて、ルート平均二乗誤差が最大45%減少し、平均絶対パーセンテージ誤差が60%減少した。
- 参考スコア（独自算出の注目度）: 14.537612238247565
- License:
- Abstract: Accurate spatial-temporal prediction of network-based travelers' requests is crucial for the effective policy design of ridesharing platforms. Having knowledge of the total demand between various locations in the upcoming time slots enables platforms to proactively prepare adequate supplies, thereby increasing the likelihood of fulfilling travelers' requests and redistributing idle drivers to areas with high potential demand to optimize the global supply-demand equilibrium. This paper delves into the prediction of Origin-Destination (OD) demands at a fine-grained spatial level, especially when confronted with an expansive set of local regions. While this task holds immense practical value, it remains relatively unexplored within the research community. To fill this gap, we introduce a novel prediction model called OD-CED, which comprises an unsupervised space coarsening technique to alleviate data sparsity and an encoder-decoder architecture to capture both semantic and geographic dependencies. Through practical experimentation, OD-CED has demonstrated remarkable results. It achieved an impressive reduction of up to 45% reduction in root-mean-square error and 60% in weighted mean absolute percentage error over traditional statistical methods when dealing with OD matrices exhibiting a sparsity exceeding 90%.
- Abstract（参考訳）: 配車プラットフォームの効果的なポリシー設計には,ネットワークベースの旅行者の要求の正確な時空間予測が不可欠である。
今後の時間帯における各地域間の総需要を把握することで、プラットフォームが積極的に適切な供給を準備し、旅行者の要求を満たす可能性を高め、アイドルドライバーを高い需要のある地域に再分配し、グローバルな需給均衡を最適化することができる。
本論文は,特に局所領域の拡大に直面する場合において,空間的に細粒度でのオリジン・デスティネーション(OD)需要の予測について述べる。
このタスクは、非常に実用的な価値を持っているが、研究コミュニティ内では比較的探索されていない。
このギャップを埋めるために、データ空間の疎結合を緩和するための教師なし空間粗大化技術と、意味的および地理的依存関係の両方をキャプチャするエンコーダ・デコーダアーキテクチャを含む、OD-CEDと呼ばれる新しい予測モデルを導入する。
実際の実験を通じてOD-CEDは顕著な結果を示した。
従来の統計手法に比べて最大45%のルート平均二乗誤差と60%の重み付き平均絶対パーセンテージ誤差を減少させることに成功した。
関連論文リスト
- Mitigating Spatial Disparity in Urban Prediction Using Residual-Aware Spatiotemporal Graph Neural Networks: A Chicago Case Study [8.027373700091331]
交通流、温度、犯罪率などの都市予測タスクは、効率的な都市計画と管理に不可欠である。
既存の時空間グラフニューラルネットワーク(ST-GNN)は、その予測における空間的および人口的格差を見越して、精度にのみ依存することが多い。
本研究では,Residual-Aware Attention (RAA) ブロックと,これらの相違に対処するための等価性向上損失関数を導入する。
論文 参考訳（メタデータ） (2025-01-20T01:28:49Z) - On the potential of Optimal Transport in Geospatial Data Science [2.2766940909460986]
最適輸送(OT)に基づく空間的評価指標と損失関数を提案する。
我々のフレームワークは部分的OTを活用し、空間予測問題における再配置コストを最小限に抑えることができる。
論文 参考訳（メタデータ） (2024-10-15T15:46:03Z) - OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。
モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。
本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
論文 参考訳（メタデータ） (2024-04-04T13:55:06Z) - 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) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Online Metro Origin-Destination Prediction via Heterogeneous Information
Aggregation [99.54200992904721]
我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。
ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。
DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。
提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
論文 参考訳（メタデータ） (2021-07-02T10:11:51Z) - Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。
本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。
提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
論文 参考訳（メタデータ） (2021-03-10T16:45:22Z) - Using Spatio-temporal Deep Learning for Forecasting Demand and
Supply-demand Gap in Ride-hailing System with Anonymized Spatial Adjacency
Information [0.0]
空間隣接情報を用いた配車システムにおいて,需要と需給ギャップを予測するための新しい時間的深層学習アーキテクチャを提案する。
開発したアーキテクチャは実世界のデータセットでテストされ、我々のモデルは従来の時系列モデルよりも優れています。
論文 参考訳（メタデータ） (2020-12-16T11:22:14Z) - Attentional-GCNN: Adaptive Pedestrian Trajectory Prediction towards
Generic Autonomous Vehicle Use Cases [10.41902340952981]
本稿では,グラフのエッジに注目重みを割り当てることで,歩行者間の暗黙的相互作用に関する情報を集約する,GCNNに基づく新しいアプローチであるAttentional-GCNNを提案する。
提案手法は,10%平均変位誤差 (ADE) と12%最終変位誤差 (FDE) を高速な推論速度で向上することを示す。
論文 参考訳（メタデータ） (2020-11-23T03:13:26Z) - DeepSTCL: A Deep Spatio-temporal ConvLSTM for Travel Demand Prediction [4.0711669706762805]
本稿では,Deep Spatio-Temporal ConvLSTMに基づく新しいディープラーニングトラフィック需要予測フレームワークを提案する。
提案手法は時間的依存と空間的依存を同時に捉えることができる。
ChengduのDIDIオーダーデータセットの実験結果から,本手法が従来のモデルよりも精度と速度で優れていることが示された。
論文 参考訳（メタデータ） (2020-08-22T13:33:31Z)
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。