論文の概要: Individual Mobility Prediction: An Interpretable Activity-based Hidden
Markov Approach
- arxiv url: http://arxiv.org/abs/2101.03996v1
- Date: Mon, 11 Jan 2021 16:11:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 14:52:19.955049
- Title: Individual Mobility Prediction: An Interpretable Activity-based Hidden
Markov Approach
- Title(参考訳): 個人移動予測: 解釈可能なアクティビティベース隠れマルコフアプローチ
- Authors: Baichuan Mo, Zhan Zhao, Haris N. Koutsopoulos, Jinhua Zhao
- Abstract要約: 本研究では、個人移動予測のためのアクティビティに基づくモデリングフレームワークを開発する。
提案モデルでは,最先端の長期記憶モデル(LSTM)と同様の予測性能が得られることを示す。
- 参考スコア(独自算出の注目度): 6.1938383008964495
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Individual mobility is driven by demand for activities with diverse
spatiotemporal patterns, but existing methods for mobility prediction often
overlook the underlying activity patterns. To address this issue, this study
develops an activity-based modeling framework for individual mobility
prediction. Specifically, an input-output hidden Markov model (IOHMM) framework
is proposed to simultaneously predict the (continuous) time and (discrete)
location of an individual's next trip using transit smart card data. The
prediction task can be transformed into predicting the hidden activity duration
and end location. Based on a case study of Hong Kong's metro system, we show
that the proposed model can achieve similar prediction performance as the
state-of-the-art long short-term memory (LSTM) model. Unlike LSTM, the proposed
IOHMM model can also be used to analyze hidden activity patterns, which
provides meaningful behavioral interpretation for why an individual makes a
certain trip. Therefore, the activity-based prediction framework offers a way
to preserve the predictive power of advanced machine learning methods while
enhancing our ability to generate insightful behavioral explanations, which is
useful for enhancing situational awareness in user-centric transportation
applications such as personalized traveler information.
- Abstract(参考訳): 個人のモビリティは、様々な時空間パターンを持つアクティビティの需要によって駆動されるが、既存のモビリティ予測の方法は、しばしば基礎となるアクティビティパターンを見落としている。
そこで本研究では,個人移動予測のためのアクティビティに基づくモデリングフレームワークを開発した。
具体的には,入力出力隠れマルコフモデル(IOHMM)フレームワークを提案し,トランジットスマートカードデータを用いて次の旅行の(連続的な)時間と(離散的な)位置を同時に予測する。
予測タスクは、隠れた活動継続時間と終了位置の予測に変換できる。
香港のmetroシステムのケーススタディに基づいて,提案モデルが最先端のlong short-term memory (lstm)モデルと同様の予測性能を達成可能であることを示す。
LSTMとは異なり、提案したIOHMMモデルは隠れた活動パターンの分析にも利用でき、これは個人がなぜ旅行をするのかを意味のある行動解釈を提供する。
したがって,アクティビティベースの予測フレームワークは,先進的な機械学習手法の予測力を保ちつつ,洞察に富んだ行動説明を生成する能力を高めつつ,パーソナライズされた旅行情報などのユーザ中心の交通アプリケーションにおける状況意識を高めるのに役立つ。
関連論文リスト
- Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。
本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
論文 参考訳(メタデータ) (2024-08-24T18:28:19Z) - Uncovering the human motion pattern: Pattern Memory-based Diffusion
Model for Trajectory Prediction [45.77348842004666]
動作パターン優先記憶ネットワーク(Motion Pattern Priors Memory Network)は、人間の行動に潜む動きパターンを明らかにするためのメモリベースの手法である。
メモリバンクから各予測に対して一致したパターンと潜在的なターゲット分布を検索するアドレッシング機構を導入する。
提案手法の有効性を検証し,最先端の軌道予測精度を実現する。
論文 参考訳(メタデータ) (2024-01-05T17:39:52Z) - Vehicle Motion Forecasting using Prior Information and Semantic-assisted
Occupancy Grid Maps [6.99274104609965]
運動は、センサーデータの不確実性、未来の非決定論的性質、複雑な振る舞いによって、自動運転車にとって困難なタスクである。
本稿では,シーンを動的占有グリッドマップ(DOGM)として表現することで,この問題に対処する。
本研究では,車両の挙動を予測するための時間的および確率的アプローチを組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2023-08-08T14:49:44Z) - Inverse Dynamics Pretraining Learns Good Representations for Multitask
Imitation [66.86987509942607]
このようなパラダイムを模倣学習でどのように行うべきかを評価する。
本稿では,事前学習コーパスがマルチタスクのデモンストレーションから成り立つ環境について考察する。
逆動力学モデリングはこの設定に適していると主張する。
論文 参考訳(メタデータ) (2023-05-26T14:40:46Z) - Context-aware multi-head self-attentional neural network model for next
location prediction [19.640761373993417]
我々は、歴史的位置情報から位置パターンを学習するマルチヘッド自己注意ニューラルネットワーク(A)を利用する。
提案モデルが他の最先端予測モデルより優れていることを示す。
我々は,提案モデルが文脈を考慮した移動予測に不可欠であると信じている。
論文 参考訳(メタデータ) (2022-12-04T23:40:14Z) - A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。
本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。
本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
論文 参考訳(メタデータ) (2022-11-16T20:00:38Z) - Bootstrap Motion Forecasting With Self-Consistent Constraints [52.88100002373369]
自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。
運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。
提案手法は,既存手法の予測性能を常に向上することを示す。
論文 参考訳(メタデータ) (2022-04-12T14:59:48Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳(メタデータ) (2022-03-25T16:59:08Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳(メタデータ) (2021-10-11T14:24:15Z) - Individual Mobility Prediction via Attentive Marked Temporal Point
Processes [4.221871357181261]
本研究では,人体移動をモデル化し,旅行コスト(t,o,d)を共同で予測する点プロセスに基づく新しいモデルを提案する。
2つの大都市旅行データセットの実験結果から,ATTPPの優れた性能が示された。
論文 参考訳(メタデータ) (2021-09-06T19:55:42Z) - Episodic Memory for Learning Subjective-Timescale Models [1.933681537640272]
モデルに基づく学習では、エージェントのモデルは、環境の連続状態間の遷移に対して一般的に定義される。
対照的に、生物学的生物の知的行動は、文脈によって異なる時間スケールを計画する能力によって特徴づけられる。
エージェントの主観的時間尺度を定義するエピソード記憶のシーケンスに基づいて、遷移力学モデルを学ぶための新しいアプローチを考案する。
論文 参考訳(メタデータ) (2020-10-03T21:55:40Z)
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。