注意機構を用いたGraph Convolutional Networksによる短期的将来滞在人口数推定

• Item type: Journal(1)
• 公開日: 2023-01-15
• タイトル: 注意機構を用いたGraph Convolutional Networksによる短期的将来滞在人口数推定
• タイトル / 言語: en
• タイトル: Attention-based Contextual Multi-View Graph Convolutional Networks for Short-term Population Prediction
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [一般論文（推薦論文，特選論文）] 時空間データ，滞在人口数推定，深層学習，グラフ畳み込みニューラルネットワーク
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• ID登録: 10.20729/00223423
• ID登録 / ID登録タイプ: JaLC
• 著者所属: 東京都立大学都市環境学部観光科学科／現在，東京工業大学情報理工学院情報工学系
• 著者所属: 東京都立大学都市環境学部観光科学科
• 著者所属: 東京都立大学都市環境学部観光科学科
• 著者所属(英): en
• 著者所属(英): Department of Tourism Science, Faculty of Urban Environmental Sciences, Tokyo Metropolitan University / Presently with Department of Computer Science, School of Engineering, Tokyo Institute of Technology
• 著者所属(英): en
• 著者所属(英): Department of Tourism Science, Faculty of Urban Environmental Sciences, Tokyo Metropolitan University
• 著者所属(英): en
• 著者所属(英): Department of Tourism Science, Faculty of Urban Environmental Sciences, Tokyo Metropolitan University
• 著者名: 久保田, 祐輝; 大平, 悠季; 清水, 哲夫
• 著者名(英): Yuki, Kubota; Yuki, Ohira; Tetsuo, Shimizu
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 近年，都市において多種多様なデータが収集されており，それらの利活用に対する関心が高まっている．特に短期的な将来における滞在人口数の推定は様々な都市政策の施行において重要となる．滞在人口数のように，都市空間で観測されるデータ解析においては現実の環境を考慮したモデリングが重要となる．そこで，本研究では都市に偏在する情報に基づき複数のグラフを作成し，Graph Convolutional Networks（GCNs）を使用することで，現実の都市空間に存在する地点間の関連性を多面的に把握する予測手法Attention based Contextual Multi-View Graph Convolutional Networks（ACMV-GCNs）を提案する．提案手法では，天候や時刻といったコンテキスト情報を考慮した注意機構を設けることで，予測時の状況に基づき複数の空間的関連性に対する重要度を動的に決定することを試みる．携帯端末より取得された位置情報を用いて推計された人口統計データを使用し，将来滞在人口数の推定精度の検証を行うことで，提案手法が既存手法と比較して優れた推定精度をほこることを示す．加えて，注意機構によって計算された重みを可視化することで，提案手法が空間的関連性に対する重要度を適切に変更していることを示す．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In recent years, analyzing data observed in urban spaces has received growing interest. In particular, predicting short-term future population is a crucial problem for developing various urban planning policies. When analyzing data observed in urban regions, a modeling framework that appropriately considers the real-world environment is essential. To this end, in this study, we first construct multiple graphs based on urban environmental information, and then, propose a novel deep learning model called Attention-based Contextual Multi-View Graph Convolutional Networks (ACMV-GCNs) that captures spatial correlations from multiple views with graph convolutional networks. Further, by adding a contextual-based attention module, we enable the model to dynamically determine the importance of each spatial aspect based on the contextual situations. By using statistics population count data, which estimated from location information aggregated through mobile phones, we demonstrate that our proposed model outperforms baseline methods. In addition, by visualizing weights calculated by the attention module, we show that our model efficiently determines the importance of each spatial aspect.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 64, 号 1, p. 189-199, 発行日 2023-01-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764
• 公開者 / 言語: ja
• 公開者 / 出版者: 情報処理学会