論文の概要: Individual Mobility Prediction via Attentive Marked Temporal Point Processes

• arxiv url: http://arxiv.org/abs/2109.02715v1
• Date: Mon, 6 Sep 2021 19:55:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 14:33:35.937745
• Title: Individual Mobility Prediction via Attentive Marked Temporal Point Processes
• Title（参考訳）: 注意マーク付き時間点プロセスによる個人移動予測
• Authors: Yuankai Wu, Zhanhong Cheng, Lijun Sun
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.221871357181261
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Individual mobility prediction is an essential task for transportation demand management and traffic system operation. There exist a large body of works on modeling location sequence and predicting the next location of users; however, little attention is paid to the prediction of the next trip, which is governed by the strong spatiotemporal dependencies between diverse attributes, including trip start time $t$, origin $o$, and destination $d$. To fill this gap, in this paper we propose a novel point process-based model -- Attentive Marked temporal point processes (AMTPP) -- to model human mobility and predict the whole trip $(t,o,d)$ in a joint manner. To encode the influence of history trips, AMTPP employs the self-attention mechanism with a carefully designed positional embedding to capture the daily/weekly periodicity and regularity in individual travel behavior. Given the unique peaked nature of inter-event time in human behavior, we use an asymmetric log-Laplace mixture distribution to precisely model the distribution of trip start time $t$. Furthermore, an origin-destination (OD) matrix learning block is developed to model the relationship between every origin and destination pair. Experimental results on two large metro trip datasets demonstrate the superior performance of AMTPP.
• Abstract（参考訳）: 個人移動予測は交通需要管理と交通システム運用にとって重要な課題である。 ロケーションシーケンスをモデル化し、ユーザの次のロケーションを予測する作業は多数存在するが、旅行開始時間$t$、オリジン$o$、宛先$d$など、さまざまな属性間の時間的強い依存関係によって管理される次のトリップの予測には、ほとんど注目されていない。 このギャップを埋めるために,本論文では,人間の移動性をモデル化し,旅行コスト(t,o,d)を共同で予測する,新しい点点プロセスベースモデル - Attentive Marked temporal point process (AMTPP) を提案する。 歴史旅行の影響をエンコードするために、AMTPPは、個別の旅行行動における日・週ごとの周期性と規則性を捉えるために、慎重に設計された位置埋め込みを備えた自己注意機構を採用している。 人間の行動におけるイベント間時間のユニークなピーク特性を考えると、トリップ開始時刻の分布を正確にモデル化するために、非対称なログラプラス混合分布を用いる。 さらに、オリジンと目的地のペアの関係をモデル化するために、オリジン・デスティネーション(OD)行列学習ブロックを開発した。 2つの大規模メトロトリップデータセットの実験結果は、amtppの優れた性能を示している。

関連論文リスト

• Dynamic Graph Representation Learning for Passenger Behavior Prediction [7.179458364817048]
  乗客の行動予測は、過去の搭乗情報と照会データを通して、乗客の旅行パターンを追跡することを目的としている。 これはスマートシティ開発と公共交通計画にとって不可欠である。 既存の研究は、個々の歴史的相互作用から学ぶための統計手法とシーケンシャルモデルに依存している。
  論文  参考訳（メタデータ） (2024-08-17T04:35:17Z)
• HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
  HPNetは、新しい動的軌道予測手法である。 逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。 私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
  論文  参考訳（メタデータ） (2024-04-09T14:42:31Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• Learning Socio-Temporal Graphs for Multi-Agent Trajectory Prediction [22.667895324575824]
  本稿では,2対の社会・時間的相互作用を明示的に捉えるために,Socio-Temporal Graph (STG) と呼ぶ指向非巡回グラフ構造を導入する。 軌道予測のためのSTGの構造を学習するためのエンドツーエンドパイプラインを提供するSTGformerというアテンションベースモデルを設計する。 提案手法は,2つの大規模ベンチマークデータセットにおいて,最先端の予測精度を総合的に達成する。
  論文  参考訳（メタデータ） (2023-12-22T01:48:09Z)
• PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
  PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。 我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-11-14T11:53:24Z)
• 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)
• 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: An Interpretable Activity-based Hidden Markov Approach [6.1938383008964495]
  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。
  論文  参考訳（メタデータ） (2021-01-11T16:11:27Z)
• Routine pattern discovery and anomaly detection in individual travel behavior [14.490713382567073]
  個別の時間的旅行行動データをモデル化する確率的枠組みを構築した。 実世界のライセンスプレート認識(LPR)データセットにおける提案手法の有効性を実証する。 この種のパターン発見および異常検出アプリケーションは、交通監視、法執行、個人旅行行動プロファイリングに有用な洞察を提供することができる。
  論文  参考訳（メタデータ） (2020-04-05T14:28:26Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。