論文の概要: TraLFM: Latent Factor Modeling of Traffic Trajectory Data
- arxiv url: http://arxiv.org/abs/2003.07780v1
- Date: Mon, 16 Mar 2020 04:41:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 03:06:35.769495
- Title: TraLFM: Latent Factor Modeling of Traffic Trajectory Data
- Title(参考訳): TraLFM:交通軌跡データの潜在因子モデリング
- Authors: Meng Chen, Xiaohui Yu, Yang Liu
- Abstract要約: そこで我々は,交通トラジェクトリの基盤となる人間の移動パターンをマイニングするための新しい生成モデルTraLFMを提案する。
TraLFMは,(1)人体移動パターンが軌道内の位置の列によって反映される,(2)人体移動パターンが人によって異なる,(3)人体移動パターンが周期的かつ時間とともに変化する,という3つの重要な観察に基づいている。
- 参考スコア(独自算出の注目度): 16.010576606023417
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The widespread use of positioning devices (e.g., GPS) has given rise to a
vast body of human movement data, often in the form of trajectories.
Understanding human mobility patterns could benefit many location-based
applications. In this paper, we propose a novel generative model called TraLFM
via latent factor modeling to mine human mobility patterns underlying traffic
trajectories. TraLFM is based on three key observations: (1) human mobility
patterns are reflected by the sequences of locations in the trajectories; (2)
human mobility patterns vary with people; and (3) human mobility patterns tend
to be cyclical and change over time. Thus, TraLFM models the joint action of
sequential, personal and temporal factors in a unified way, and brings a new
perspective to many applications such as latent factor analysis and next
location prediction. We perform thorough empirical studies on two real
datasets, and the experimental results confirm that TraLFM outperforms the
state-of-the-art methods significantly in these applications.
- Abstract(参考訳): 測位装置(GPSなど)の広範囲な使用は、しばしば軌跡の形で、膨大な量の人体の動きデータを生み出している。
人間の移動パターンを理解することは、多くの位置情報ベースのアプリケーションに役立つ。
本稿では,交通軌跡に基づく人間の移動パターンをマイニングするために,潜在因子モデルを用いた新しい生成モデルTraLFMを提案する。
TraLFMは,(1)人体移動パターンが軌道内の位置の列によって反映される,(2)人体移動パターンが人によって異なる,(3)人体移動パターンが周期的かつ時間とともに変化する,という3つの重要な観察に基づいている。
このように、TraLFMは逐次的、個人的、時間的要素の結合行動を統一的にモデル化し、潜在因子分析や次の位置予測といった多くの応用に新たな視点をもたらす。
実際の2つのデータセットについて徹底した実験を行い, 実験結果から, tralfm が最先端の手法を著しく上回っていることを確認した。
関連論文リスト
- Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳(メタデータ) (2024-02-19T15:57:39Z) - Leveraging the Power of Data Augmentation for Transformer-based Tracking [64.46371987827312]
トラッキング用にカスタマイズされた2つのデータ拡張手法を提案する。
まず、動的探索半径機構と境界サンプルのシミュレーションにより、既存のランダムトリミングを最適化する。
第2に,背景干渉などの問題に対するモデルを可能にする,トークンレベルの機能混在強化戦略を提案する。
論文 参考訳(メタデータ) (2023-09-15T09:18:54Z) - A generalized vector-field framework for mobility [0.0]
本稿では,任意の種類の移動に有効な個人軌跡から始まる一般ベクトル場表現を提案する。
個人の選挙が運動場のメソスコピック特性をどのように決定するかを示す。
筆者らのフレームワークは, メソスコピックな都市移動において, 隠れ対称性を捉えるための重要なツールである。
論文 参考訳(メタデータ) (2023-09-04T07:50:08Z) - Reinforcement Learning with Human Feedback for Realistic Traffic
Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。
本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文 参考訳(メタデータ) (2023-09-01T19:29:53Z) - TransFusion: A Practical and Effective Transformer-based Diffusion Model
for 3D Human Motion Prediction [1.8923948104852863]
本研究では,3次元動作予測のための革新的で実用的な拡散モデルであるTransFusionを提案する。
我々のモデルは、浅い層と深い層の間の長いスキップ接続を持つバックボーンとしてTransformerを活用している。
クロスアテンションや適応層正規化のような余分なモジュールを利用する従来の拡散モデルとは対照的に、条件を含む全ての入力をトークンとして扱い、より軽量なモデルを作成する。
論文 参考訳(メタデータ) (2023-07-30T01:52:07Z) - Spatiotemporal-Augmented Graph Neural Networks for Human Mobility
Simulation [30.723611607539176]
位置の動的時間的影響をモデル化する新しい枠組みを提案する。
このフレームワークは、行動対応を捉えるために様々な時間グラフを構築し、場所の様々な居住地をシミュレートする新しいブランチを構築している。
私たちのコードは公開されます。
論文 参考訳(メタデータ) (2023-06-15T11:47:45Z) - Continuous Trajectory Generation Based on Two-Stage GAN [50.55181727145379]
本稿では,道路網上の連続軌道を生成するために,新たな2段階生成対向フレームワークを提案する。
具体的には、A*アルゴリズムの人間の移動性仮説に基づいてジェネレータを構築し、人間の移動性について学習する。
判別器では, 逐次報酬と移動ヤウ報酬を組み合わせることで, 発電機の有効性を高める。
論文 参考訳(メタデータ) (2023-01-16T09:54:02Z) - Transformer Inertial Poser: Attention-based Real-time Human Motion
Reconstruction from Sparse IMUs [79.72586714047199]
本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。
提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
論文 参考訳(メタデータ) (2022-03-29T16:24:52Z) - Towards Robust and Adaptive Motion Forecasting: A Causal Representation
Perspective [72.55093886515824]
本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。
我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。
合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
論文 参考訳(メタデータ) (2021-11-29T18:59:09Z) - Flow descriptors of human mobility networks [0.0]
本研究では,モビリティネットワークの流れとトポロジを特徴付けるシステム解析を提案し,その影響を個別のトレースに評価する。
この枠組みは, 都市計画の評価, 交通の最適化, 外部イベントや状況の影響の計測, 内部動態のモニタリング, 利用者の行動パターンに応じたプロファイル化に適している。
論文 参考訳(メタデータ) (2020-03-16T15:27:00Z) - MPE: A Mobility Pattern Embedding Model for Predicting Next Locations [16.010576606023417]
本稿では,交通軌跡データにおける人々の移動パターンに光を当てるための,MPEと呼ばれる新しいモビリティパターン埋め込みモデルを提案する。
MPEは、様々な種類の情報(オブジェクト、位置、時間)を低次元のラテント空間にキャストすることができる。
この埋め込みモデルは、次の位置予測や視覚化など、幅広いアプリケーションへの扉を開く。
論文 参考訳(メタデータ) (2020-03-16T05:24:32Z)
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。