論文の概要: Mobility Inference on Long-Tailed Sparse Trajectory

• arxiv url: http://arxiv.org/abs/2001.07636v1
• Date: Tue, 21 Jan 2020 16:32:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 23:43:05.455528
• Title: Mobility Inference on Long-Tailed Sparse Trajectory
• Title（参考訳）: 長尺スパース軌道の運動量推定
• Authors: Lei Shi
• Abstract要約: 大規模トラジェクトリデータにおいて,汎用的な長い尾の空間パターンを利用する単一トラジェクトリ推論アルゴリズムを提案する。 このアルゴリズムは、リコールにおける証明可能な低いバウンドで、滞在/旅行推論における100%の精度を保証する。 都市ユーザ4000万人を対象とした3つの軌跡データセットによる評価は,提案アルゴリズムの性能保証を検証した。
• 参考スコア（独自算出の注目度）: 2.4444287331956898
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analyzing the urban trajectory in cities has become an important topic in data mining. How can we model the human mobility consisting of stay and travel from the raw trajectory data? How can we infer such a mobility model from the single trajectory information? How can we further generalize the mobility inference to accommodate the real-world trajectory data that is sparsely sampled over time? In this paper, based on formal and rigid definitions of the stay/travel mobility, we propose a single trajectory inference algorithm that utilizes a generic long-tailed sparsity pattern in the large-scale trajectory data. The algorithm guarantees a 100\% precision in the stay/travel inference with a provable lower-bound in the recall. Furthermore, we introduce an encoder-decoder learning architecture that admits multiple trajectories as inputs. The architecture is optimized for the mobility inference problem through customized embedding and learning mechanism. Evaluations with three trajectory data sets of 40 million urban users validate the performance guarantees of the proposed inference algorithm and demonstrate the superiority of our deep learning model, in comparison to well-known sequence learning methods. On extremely sparse trajectories, the deep learning model achieves a 2$\times$ overall accuracy improvement from the single trajectory inference algorithm, through proven scalability and generalizability to large-scale versatile training data.
• Abstract（参考訳）: 都市における都市軌道の分析は,データマイニングにおいて重要な話題となっている。 生の軌道データから人間の移動をモデル化するにはどうすればよいか? 単一軌道情報からこのモビリティモデルをどのように推測できるのか? 時間とともにサンプリングされる実世界の軌道データに対応するために、モビリティ推論をもっと一般化するにはどうすればよいのか? 本稿では,固定・走行モビリティの形式的かつ厳密な定義に基づいて,大規模軌道データに汎用的な長尾スパルシティーパターンを用いた単一軌道推定アルゴリズムを提案する。 このアルゴリズムは、リコールで証明可能なローバウンドを持つsit/travel推論において、100\%の精度を保証する。 さらに,複数の軌道を入力として持つエンコーダ・デコーダ学習アーキテクチャを導入する。 アーキテクチャは、カスタマイズされた埋め込みと学習機構を通じて、モビリティ推論問題に最適化されている。 都市ユーザ4000万人の3つの軌跡データセットによる評価は,提案した推論アルゴリズムの性能保証を検証し,よく知られたシーケンス学習法と比較して,ディープラーニングモデルの優位性を示す。 極端にスパースな軌道上では、ディープラーニングモデルは、大規模多目的学習データに対するスケーラビリティと一般化性を通じて、単一の軌道推論アルゴリズムによる全体的な精度を2$\times$で改善する。

関連論文リスト

• 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)
• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• Towards A Foundation Model For Trajectory Intelligence [0.0]
  実世界のユーザチェックインデータを用いて,大規模軌跡モデルのトレーニング結果を示す。 提案手法は,マスク付き軌道モデルを用いてベースモデルを事前学習する,事前学習と微調整のパラダイムに従う。 私たちの経験分析では、600万人以上のユーザーが生成した20億以上のチェックインの包括的データセットを利用しています。
  論文  参考訳（メタデータ） (2023-11-30T00:34:09Z)
• DTC: Deep Tracking Control [16.2850135844455]
  本研究では,両世界の強靭性,フット配置精度,地形の一般化を両世界の利点と組み合わせたハイブリッド制御アーキテクチャを提案する。 深層ニューラルネットワークポリシは、最適化された足場を追跡することを目的として、シミュレーションでトレーニングされている。 モデルベースに比べて滑りやすい地盤や変形可能な地盤が存在する場合の強靭性を示す。
  論文  参考訳（メタデータ） (2023-09-27T07:57:37Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• One-Pass Learning via Bridging Orthogonal Gradient Descent and Recursive Least-Squares [8.443742714362521]
  我々は,従来のデータポイントの予測にほとんど変化しない方向にパラメータを変更しながら,すべての新しいデータポイントに完全に適合するワンパス学習アルゴリズムを開発した。 我々のアルゴリズムは、インクリメンタル・プリンシパル・コンポーネント分析(IPCA)を用いてストリーミングデータの構造を利用して、メモリを効率的に利用する。 本実験では,提案手法の有効性をベースラインと比較した。
  論文  参考訳（メタデータ） (2022-07-28T02:01:31Z)
• DouFu: A Double Fusion Joint Learning Method For Driving Trajectory Representation [13.321587117066166]
  軌道表現型共同学習のための新しい多モード融合モデルDouFuを提案する。 まず、軌道データと都市機能ゾーンから生成された動き、経路、グローバルな特徴を設計する。 グローバルなセマンティック機能により、DouFuは各行に対して包括的な埋め込みを生成する。
  論文  参考訳（メタデータ） (2022-05-05T07:43:35Z)
• PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
  軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
  論文  参考訳（メタデータ） (2022-04-21T23:01:21Z)
• Tracking Performance of Online Stochastic Learners [57.14673504239551]
  オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。 一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。 定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
  論文  参考訳（メタデータ） (2020-04-04T14:16:27Z)

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。