Self-Supervised Temporal Analysis of Spatiotemporal Data

要約

タイトル：時空間データの自己教師付き時系列解析

要約：
– 地理空間活動の時間パターンと土地利用のタイプには相関がある。
– 新しい自己教師付きアプローチが提案されており、移動活動の時系列に基づいて景観を層別化することができる。
– まず、時系列信号は周波数領域に変換され、その後コントラクティブオートエンコーダによってタスクに依存しない時間埋め込みに圧縮されます。これにより、時系列で観測される循環的な時間パターンが保存されます。
– ピクセルごとの埋め込みは、画像のようなチャンネルに変換され、深い意味的分割を使用して、下流の地理空間タスクのタスクベース、多モーダルモデリングに使用することができます。
– 実験では、時系列埋め込みが時系列データの意味的な表現であり、住宅地域と商業地域の分類など異なるタスクに効果的であることが示されています。

要約(オリジナル)

There exists a correlation between geospatial activity temporal patterns and type of land use. A novel self-supervised approach is proposed to stratify landscape based on mobility activity time series. First, the time series signal is transformed to the frequency domain and then compressed into task-agnostic temporal embeddings by a contractive autoencoder, which preserves cyclic temporal patterns observed in time series. The pixel-wise embeddings are converted to image-like channels that can be used for task-based, multimodal modeling of downstream geospatial tasks using deep semantic segmentation. Experiments show that temporal embeddings are semantically meaningful representations of time series data and are effective across different tasks such as classifying residential area and commercial areas.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI