論文の概要: WiFiMod: Transformer-based Indoor Human Mobility Modeling using Passive
Sensing
- arxiv url: http://arxiv.org/abs/2104.09835v3
- Date: Sat, 10 Jul 2021 07:20:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 02:39:09.497092
- Title: WiFiMod: Transformer-based Indoor Human Mobility Modeling using Passive
Sensing
- Title（参考訳）: WiFiMod:パッシブセンシングを用いたトランスフォーマーを用いた室内移動モデリング
- Authors: Amee Trivedi, Kate Silverstein, Emma Strubell, Mohit Iyyer, Prashant
Shenoy
- Abstract要約: WiFiModはトランスフォーマーベースのデータ駆動型アプローチで、屋内の人間の移動を複数の空間スケールでモデル化する。
WiFiModは、現在の最先端モデルよりも少なくとも10%高い精度で予測できる。
WiFiModの現実的な3つの応用を提示する - (i) 新型コロナウイルスやICIの政策決定のための高密度ホットポケットを予測し、 (ii) 屋内モビリティの現実的なシミュレーションを作成し、 (iii) パーソナルアシスタントを設計する。
- 参考スコア（独自算出の注目度）: 25.901165832790493
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling human mobility has a wide range of applications from urban planning
to simulations of disease spread. It is well known that humans spend 80% of
their time indoors but modeling indoor human mobility is challenging due to
three main reasons: (i) the absence of easily acquirable, reliable, low-cost
indoor mobility datasets, (ii) high prediction space in modeling the frequent
indoor mobility, and (iii) multi-scalar periodicity and correlations in
mobility. To deal with all these challenges, we propose WiFiMod, a
Transformer-based, data-driven approach that models indoor human mobility at
multiple spatial scales using WiFi system logs. WiFiMod takes as input
enterprise WiFi system logs to extract human mobility trajectories from
smartphone digital traces. Next, for each extracted trajectory, we identify the
mobility features at multiple spatial scales, macro, and micro, to design a
multi-modal embedding Transformer that predicts user mobility for several hours
to an entire day across multiple spatial granularities. Multi-modal embedding
captures the mobility periodicity and correlations across various scales while
Transformers capture long-term mobility dependencies boosting model prediction
performance. This approach significantly reduces the prediction space by first
predicting macro mobility, then modeling indoor scale mobility, micro-mobility,
conditioned on the estimated macro mobility distribution, thereby using the
topological constraint of the macro-scale. Experimental results show that
WiFiMod achieves a prediction accuracy of at least 10% points higher than the
current state-of-art models. Additionally, we present 3 real-world applications
of WiFiMod - (i) predict high-density hot pockets for policy-making decisions
for COVID19 or ILI, (ii) generate a realistic simulation of indoor mobility,
(iii) design personal assistants.
- Abstract（参考訳）: 人体移動のモデル化は、都市計画から病気拡散のシミュレーションまで幅広い応用がある。
人間は屋内で80%の時間を過ごすことはよく知られているが、室内での移動のモデル化は3つの主な理由から困難である。
(i)簡単に入手でき、信頼性があり、低コストな屋内移動度データセットがないこと。
(ii)頻繁な屋内移動のモデル化における高い予測空間
(iii)移動度におけるマルチスカラー周期性と相関
これらの課題に対処するために,WiFi システムログを用いて屋内の人体移動を複数の空間スケールでモデル化する Transformer ベースのデータ駆動型アプローチである WiFiMod を提案する。
WiFiModは、入力されたエンタープライズWiFiシステムログとして、スマートフォンのデジタルトレースから人間の移動軌跡を抽出する。
次に,複数の空間的スケール,マクロ,マイクロの移動性特徴を特定し,複数の空間的粒度にわたってユーザの移動性を数時間から1日にわたって予測するマルチモーダル組込みトランスを設計した。
マルチモーダル埋め込みは様々なスケールの移動周期と相関を捉え、トランスフォーマーは長期移動依存を捉え、モデル予測性能を高める。
このアプローチは、まずマクロモビリティを予測し、次に推定マクロモビリティ分布に基づく屋内モビリティ、マイクロモビリティをモデル化し、マクロモビリティのトポロジカル制約を用いて予測空間を大幅に削減する。
実験の結果、WiFiModは現在の最先端モデルよりも少なくとも10%高い精度で予測できることがわかった。
さらにWiFiModの3つの実環境アプリケーションについても紹介する。
(i)covid-19またはiliの政策決定のための高密度ホットポケットの予測
(ii)室内移動の現実的なシミュレーションを生成する。
(iii)パーソナルアシスタントのデザイン。
関連論文リスト
- Multi-Transmotion: Pre-trained Model for Human Motion Prediction [68.87010221355223]
マルチトランスモーション(Multi-Transmotion)は、モダリティ事前トレーニング用に設計された革新的なトランスフォーマーベースのモデルである。
提案手法は,下流タスクにおける各種データセット間の競合性能を示す。
論文 参考訳（メタデータ） (2024-11-04T23:15:21Z) - FoMo: A Foundation Model for Mobile Traffic Forecasting with Diffusion Model [5.96737388771505]
モバイルトラフィック予測のための革新的なファンデーションモデル(FoMo)を提案する。
FoMoは、ネットワーク計画と最適化をサポートするために、複数の都市にまたがる短期・長期予測と分布生成の多様な予測タスクを処理する。
9つの実世界のデータセットに対する大規模な実験により、FoMoは多様な予測タスクやゼロ/フェーショット学習に関する現在のモデルより優れています。
論文 参考訳（メタデータ） (2024-10-20T07:32:16Z) - Multi-Stream Cellular Test-Time Adaptation of Real-Time Models Evolving in Dynamic Environments [53.79708667153109]
スマートオブジェクト、特に自動運転車は、限られたリソースのために重要なローカル計算の課題に直面している。
そこで本研究では,モデルがハエに適応し,動的環境をセルに分割する,新しいマルチストリームセルラーテスト時間適応方式を提案する。
我々は、位置と天候条件に基づいて定義された細胞を横断する自動運転車の文脈で、我々の方法論を検証する。
論文 参考訳（メタデータ） (2024-04-27T15:00:57Z) - 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) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - Spatiotemporal-Augmented Graph Neural Networks for Human Mobility Simulation [35.89805766554052]
本稿では,SRpatio-Augmented gaph Neural Network という,位置の動的時間的効果をモデル化する新しいフレームワークを提案する。
STAR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設計し、異なる場所の居住地をシミュレートする新しいブランチを構築し、最終的にその期間を逆向きに最適化する。
論文 参考訳（メタデータ） (2023-06-15T11:47:45Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。
本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
論文 参考訳（メタデータ） (2021-01-03T15:45:35Z) - Empirical Characterization of Mobility of Multi-Device Internet Users [1.1141688859736805]
我々は、大規模なキャンパスWiFiデータセットを用いて、複数のデバイスを複数の空間スケールで所有する現代のインターネットユーザのモビリティを実証分析した。
この結果から,ユーザに属する複数のデバイスのモビリティを独立して解析し,グループとしてモデル化する必要があることが示された。
分析の結果, 利用者の移動性は, 建物内や建物間など, 異なる空間スケールで異なる特徴を示すことがわかった。
論文 参考訳（メタデータ） (2020-03-18T23:50:35Z) - 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。