論文の概要: MPE: A Mobility Pattern Embedding Model for Predicting Next Locations
- arxiv url: http://arxiv.org/abs/2003.07782v1
- Date: Mon, 16 Mar 2020 05:24:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 02:47:11.763726
- Title: MPE: A Mobility Pattern Embedding Model for Predicting Next Locations
- Title（参考訳）: MPE: 次のロケーションを予測するためのモビリティパターン埋め込みモデル
- Authors: Meng Chen, Xiaohui Yu, Yang Liu
- Abstract要約: 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。
- 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 wide spread use of positioning and photographing devices gives rise to a
deluge of traffic trajectory data (e.g., vehicle passage records and taxi
trajectory data), with each record having at least three attributes: object ID,
location ID, and time-stamp. In this paper, we propose a novel mobility pattern
embedding model called MPE to shed the light on people's mobility patterns in
traffic trajectory data from multiple aspects, including sequential, personal,
and temporal factors. MPE has two salient features: (1) it is capable of
casting various types of information (object, location and time) to an
integrated low-dimensional latent space; (2) it considers the effect of
``phantom transitions'' arising from road networks in traffic trajectory data.
This embedding model opens the door to a wide range of applications such as
next location prediction and visualization. Experimental results on two
real-world datasets show that MPE is effective and outperforms the
state-of-the-art methods significantly in a variety of tasks.
- Abstract（参考訳）: 位置決めと撮影装置の広範な使用により、交通軌跡データ(例えば、車道記録やタクシー軌跡データ)が不足し、各レコードは、オブジェクトID、位置ID、タイムスタンプの少なくとも3つの属性を持つ。
本稿では,逐次的,個人的,時間的要因を含む複数の側面から,トラヒック軌跡データにおける人々のモビリティパターンに光を当てるために,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には2つの特徴がある:(1)様々な種類の情報(物体、位置、時間)を統合された低次元潜在空間に流すことができる;(2)道路網から発生する「ファントム遷移」の効果を交通軌道データとして考慮する。
この埋め込みモデルは、次の位置予測や可視化のような幅広いアプリケーションへの扉を開く。
2つの実世界のデータセットによる実験結果から、MPPは有効であり、様々なタスクにおいて最先端の手法よりも優れていた。
関連論文リスト
- FUSED-Net: Enhancing Few-Shot Traffic Sign Detection with Unfrozen Parameters, Pseudo-Support Sets, Embedding Normalization, and Domain Adaptation [2.111102681327218]
本稿では,交通信号検出のための高速RCNN「FUSED-Net」を提案する。
従来のアプローチとは異なり、トレーニング中にすべてのパラメータを凍結しないようにし、限られたサンプルからFUSED-Netを学習できるようにします。
1ショット,3ショット,5ショット,10ショットのシナリオでそれぞれ2.4倍,2.2倍,1.5倍,1.3倍の改善を実現しています。
論文 参考訳（メタデータ） (2024-09-23T09:34:42Z) - DeTra: A Unified Model for Object Detection and Trajectory Forecasting [68.85128937305697]
提案手法は,2つのタスクの結合を軌道修正問題として定式化する。
この統合タスクに対処するために、オブジェクトの存在, ポーズ, マルチモーダルな将来の振る舞いを推測する精細化変換器を設計する。
実験では、我々のモデルはArgoverse 2 Sensor and Openデータセットの最先端性よりも優れています。
論文 参考訳（メタデータ） (2024-06-06T18:12:04Z) - Digital Twin Mobility Profiling: A Spatio-Temporal Graph Learning
Approach [9.56255685195115]
モビリティ・プロファイリングは、モビリティ・データから都市交通の潜在的なパターンを抽出することができる。
デジタルツイン(DT)技術は、コスト効率とパフォーマンス最適化管理の道を開く。
本稿では,移動時ネットワークDTモデルを用いてノードプロファイルを学習するためのデジタルツインモビリティ・プロファイリングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-06T06:37:43Z) - Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。
現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。
本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
論文 参考訳（メタデータ） (2023-10-09T20:32:49Z) - A Fast and Map-Free Model for Trajectory Prediction in Traffics [2.435517936694533]
本稿では,交通地図に依存しない効率的な軌道予測モデルを提案する。
注意機構、LSTM、グラフ畳み込みネットワーク、時間変換器を包括的に活用することにより、我々のモデルは全てのエージェントのリッチな動的および相互作用情報を学習することができる。
提案モデルでは,既存のマップフリー手法と比較して高い性能を達成し,Argoverseデータセット上のほとんどのマップベース最先端手法を超越する。
論文 参考訳（メタデータ） (2023-07-19T08:36:31Z) - Newell's theory based feature transformations for spatio-temporal
traffic prediction [0.0]
本稿では,交通流予測のための深層学習(DL)モデルのための交通流物理に基づく変換機能を提案する。
この変換は、Newellがターゲット位置におけるトラフィックフローの非混雑フィルタを組み込んだもので、モデルがシステムのより広範なダイナミクスを学習できるようにする。
私たちのフレームワークの重要な利点は、データが利用できない新しい場所に転送できることです。
論文 参考訳（メタデータ） (2023-07-12T06:31:43Z) - MotionTrack: Learning Motion Predictor for Multiple Object Tracking [68.68339102749358]
本研究では,学習可能なモーション予測器を中心に,新しいモーショントラッカーであるMotionTrackを紹介する。
実験結果から、MotionTrackはDancetrackやSportsMOTといったデータセット上での最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2023-06-05T04:24:11Z) - Modeling Continuous Motion for 3D Point Cloud Object Tracking [54.48716096286417]
本稿では,各トラックレットを連続ストリームとみなす新しいアプローチを提案する。
各タイムスタンプでは、現在のフレームだけがネットワークに送られ、メモリバンクに格納された複数フレームの履歴機能と相互作用する。
頑健な追跡のためのマルチフレーム機能の利用性を高めるために,コントラッシブシーケンス強化戦略を提案する。
論文 参考訳（メタデータ） (2023-03-14T02:58:27Z) - D2-TPred: Discontinuous Dependency for Trajectory Prediction under
Traffic Lights [68.76631399516823]
本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。
実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
論文 参考訳（メタデータ） (2022-07-21T10:19:07Z) - Joint Spatial-Temporal and Appearance Modeling with Transformer for
Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。
提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文 参考訳（メタデータ） (2022-05-31T01:19:18Z) - TraLFM: Latent Factor Modeling of Traffic Trajectory Data [16.010576606023417]
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。
論文 参考訳（メタデータ） (2020-03-16T04:41:39Z)
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。