論文の概要: MuST2-Learn: Multi-view Spatial-Temporal-Type Learning for Heterogeneous Municipal Service Time Estimation

• arxiv url: http://arxiv.org/abs/2508.16503v1
• Date: Fri, 22 Aug 2025 16:28:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.450145
• Title: MuST2-Learn: Multi-view Spatial-Temporal-Type Learning for Heterogeneous Municipal Service Time Estimation
• Title（参考訳）: MuST2-Learn:異種自治体サービス時間推定のための多視点空間時間型学習
• Authors: Nadia Asif, Zhiqing Hong, Shaogang Ren, Xiaonan Zhang, Xiaojun Shang, Yukun Yuan,
• Abstract要約: 都市311システムのような非緊急自治体のサービスは、住民の生活の質を高めるために、カナダやアメリカ各地の都市で広く実施されている。 これらのシステムにより、住民は、例えば、騒音の苦情、ゴミ収集の欠如、抜け穴などの問題を電話、モバイルアプリケーション、ウェブページを通じて報告することができる。 しかし、住民はしばしば、サービス要求がいつ対処されるかという限られた情報を受け取っており、透明性を低下させ、居住者の満足度を低下させ、フォローアップの問い合わせを増やすことができる。
• 参考スコア（独自算出の注目度）: 14.760287716775343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-emergency municipal services such as city 311 systems have been widely implemented across cities in Canada and the United States to enhance residents' quality of life. These systems enable residents to report issues, e.g., noise complaints, missed garbage collection, and potholes, via phone calls, mobile applications, or webpages. However, residents are often given limited information about when their service requests will be addressed, which can reduce transparency, lower resident satisfaction, and increase the number of follow-up inquiries. Predicting the service time for municipal service requests is challenging due to several complex factors: dynamic spatial-temporal correlations, underlying interactions among heterogeneous service request types, and high variation in service duration even within the same request category. In this work, we propose MuST2-Learn: a Multi-view Spatial-Temporal-Type Learning framework designed to address the aforementioned challenges by jointly modeling spatial, temporal, and service type dimensions. In detail, it incorporates an inter-type encoder to capture relationships among heterogeneous service request types and an intra-type variation encoder to model service time variation within homogeneous types. In addition, a spatiotemporal encoder is integrated to capture spatial and temporal correlations in each request type. The proposed framework is evaluated with extensive experiments using two real-world datasets. The results show that MuST2-Learn reduces mean absolute error by at least 32.5%, which outperforms state-of-the-art methods.
• Abstract（参考訳）: 都市311システムのような非緊急自治体のサービスは、住民の生活の質を高めるためにカナダやアメリカ合衆国の都市で広く実施されている。 これらのシステムにより、住民は、例えば、騒音の苦情、ゴミ収集の欠如、抜け穴などの問題を電話、モバイルアプリケーション、Webページを通じて報告することができる。 しかし、住民はしばしば、サービス要求がいつ対処されるかという限られた情報を受け取っており、透明性を低下させ、居住者の満足度を低下させ、フォローアップの問い合わせを増やすことができる。 自治体のサービス要求に対するサービス時間の予測は、動的空間的時間的相関、異種サービス要求タイプ間の基礎的相互作用、同じ要求カテゴリ内でのサービス持続時間の変動など、いくつかの複雑な要因により困難である。 本研究では,MST2-Learnを提案する。MST2-Learnは,空間,時間,サービスタイプの次元を協調的にモデル化することで,上記の課題に対処するための多視点空間型学習フレームワークである。 具体的には、異種サービス要求タイプ間の関係をキャプチャするための型間エンコーダと、同種内のサービス時間変動をモデル化するための型内変分エンコーダが組み込まれている。 さらに、時空間エンコーダを統合して、各要求タイプにおける空間的および時間的相関をキャプチャする。 提案するフレームワークは、2つの実世界のデータセットを用いて広範囲な実験により評価される。 結果は、MuST2-Learnが平均絶対誤差を少なくとも32.5%削減し、最先端の手法より優れていることを示している。

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)
• The Streetscape Application Services Stack (SASS): Towards a Distributed Sensing Architecture for Urban Applications [7.650929650666603]
  ストリートスケープアプリケーションは、多様なセンサーとリアルタイムな意思決定を統合するアプリケーションを通じて、安全、移動性、生活の質を改善することを目的としている。 Street Application Services Stack (SASS)は、これらの課題に、マルチモーダルデータ同期、時間的データ融合、分散エッジコンピューティングの3つのコアサービスで対処する。 私たちは、リアルタイムでスケーラブルな都市アプリケーションをサポートするために、SASSがいかに抽象化とパフォーマンスを提供するかを示します。
  論文  参考訳（メタデータ） (2024-11-29T14:02:00Z)
• Multi-Agent Reinforcement Learning with Hierarchical Coordination for Emergency Responder Stationing [8.293120269016834]
  緊急対応者管理システム(ERM)は、医療援助の要請を受けたときに対応者を派遣する。 ERMシステムは、任意のギャップをカバーするために予め指定された待機場所間で応答器を積極的に再配置することができる。 プロアクティブな再配置における最先端のアプローチは、空間分解とオンラインモンテカルロ木探索に基づく階層的なアプローチである。 同じ階層的な分解に基づく新しい強化学習(RL)アプローチを導入するが、オンライン検索を学習に置き換える。
  論文  参考訳（メタデータ） (2024-05-21T21:15:45Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
  階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。 提案手法は最先端技術より一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-11T03:29:13Z)
• SARN: Structurally-Aware Recurrent Network for Spatio-Temporal Disaggregation [8.636014676778682]
  オープンデータは、通常プライバシーポリシーに従うために、しばしば空間的に集約される。しかし、粗い、異質な集約は、下流のAI/MLシステムに対する一貫性のある学習と統合を複雑にする。 本稿では,空間的注意層をGRU(Gated Recurrent Unit)モデルに統合したSARN(Structurely-Aware Recurrent Network)を提案する。 履歴学習データに制限のあるシナリオでは、ある都市変数に事前学習したモデルを、数百のサンプルのみを用いて、他の都市変数に対して微調整できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T21:01:29Z)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)
• Spatial-Temporal Sequential Hypergraph Network for Crime Prediction [56.41899180029119]
  本稿では,複合犯罪の時空間パターンを包括的に符号化する時空間逐次ハイパーグラフネットワーク(ST-SHN)を提案する。 特に、長距離及びグローバルなコンテキスト下での時空間力学を扱うために、グラフ構造化されたメッセージパッシングアーキテクチャを設計する。 提案するST-SHNフレームワークは予測性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-01-07T12:46:50Z)
• Spatio-Temporal Representation Factorization for Video-based Person Re-Identification [55.01276167336187]
  本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。 STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。 実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
  論文  参考訳（メタデータ） (2021-07-25T19:29:37Z)

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。