論文の概要: MobTCast: Leveraging Auxiliary Trajectory Forecasting for Human Mobility
Prediction
- arxiv url: http://arxiv.org/abs/2110.01401v1
- Date: Thu, 30 Sep 2021 09:42:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:51:18.779040
- Title: MobTCast: Leveraging Auxiliary Trajectory Forecasting for Human Mobility
Prediction
- Title（参考訳）: MobTCast: 人体移動予測のための補助軌道予測の活用
- Authors: Hao Xue, Flora D.Salim, Yongli Ren, Nuria Oliver
- Abstract要約: 我々はモビリティ予測のためのトランスフォーマーベースのコンテキスト認識ネットワークであるMobTCastを提案する。
移動予測における4種類の文脈の影響について検討する:時間的・意味的・社会的・地理的文脈。
実験の結果、MobTCastは他の最先端の次世代POI予測手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 5.911865723926626
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human mobility prediction is a core functionality in many location-based
services and applications. However, due to the sparsity of mobility data, it is
not an easy task to predict future POIs (place-of-interests) that are going to
be visited. In this paper, we propose MobTCast, a Transformer-based
context-aware network for mobility prediction. Specifically, we explore the
influence of four types of context in the mobility prediction: temporal,
semantic, social and geographical contexts. We first design a base mobility
feature extractor using the Transformer architecture, which takes both the
history POI sequence and the semantic information as input. It handles both the
temporal and semantic contexts. Based on the base extractor and the social
connections of a user, we employ a self-attention module to model the influence
of the social context. Furthermore, unlike existing methods, we introduce a
location prediction branch in MobTCast as an auxiliary task to model the
geographical context and predict the next location. Intuitively, the
geographical distance between the location of the predicted POI and the
predicted location from the auxiliary branch should be as close as possible. To
reflect this relation, we design a consistency loss to further improve the POI
prediction performance. In our experimental results, MobTCast outperforms other
state-of-the-art next POI prediction methods. Our approach illustrates the
value of including different types of context in next POI prediction.
- Abstract（参考訳）: 人間のモビリティ予測は多くの位置情報ベースのサービスやアプリケーションの中核機能である。
しかし、モビリティデータのスパース性のため、訪問する今後のpois(place-of-interests)を予測するのは容易ではない。
本稿では,モビリティ予測のためのTransformerベースのコンテキスト認識ネットワークであるMobTCastを提案する。
具体的には,時間的,意味的,社会的,地理的の4種類の文脈の影響について検討する。
本稿ではまず,履歴POIシーケンスと意味情報を入力として利用するトランスフォーマーアーキテクチャを用いて,基本モビリティ特徴抽出器を設計する。
時間的コンテキストと意味的コンテキストの両方を扱う。
基本抽出器と利用者の社会的つながりに基づいて,社会的文脈の影響をモデル化するために自己認識モジュールを用いる。
さらに,既存の手法と異なり,地理的文脈をモデル化し,次の位置を予測する補助タスクとして,MobTCastの位置情報予測ブランチを導入する。
直感的には、予測されたPOIの位置と予測された補助分岐からの位置との地理的距離は可能な限り近いべきである。
この関係を反映するため、我々はPOI予測性能をさらに向上させるために一貫性損失を設計する。
実験の結果、MobTCastは他の最先端の次世代POI予測手法よりも優れていた。
我々のアプローチは、次のpoi予測で異なるタイプのコンテキストを含める価値を示します。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Towards Effective Next POI Prediction: Spatial and Semantic Augmentation with Remote Sensing Data [10.968721742000653]
本稿では,2段階予測フレームワークにおける効果的なディープラーニング手法を提案する。
本手法は,まずリモートセンシングデータを組み込んで,重要な環境状況の把握を行う。
本研究では,利用者の歴史的トラジェクトリに対するQR-Pグラフを構築し,歴史的旅行知識をカプセル化する。
論文 参考訳（メタデータ） (2024-03-22T04:22:36Z) - 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) - 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) - How do you go where? Improving next location prediction by learning
travel mode information using transformers [6.003006906852134]
本稿では, トランスフォーマーデコーダに基づくニューラルネットワークを提案し, 過去の位置, 時間, 移動モードに基づいて, 個人が訪問する次の場所を予測する。
特に、次の旅行モードの予測は、ネットワークの学習をガイドする補助的なタスクとして設計されている。
実験の結果,提案手法は,他の最先端の次の位置予測手法よりも大幅に優れていることがわかった。
論文 参考訳（メタデータ） (2022-10-08T19:36:58Z) - LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。
本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
論文 参考訳（メタデータ） (2022-10-03T22:04:00Z) - Exploring Attention GAN for Vehicle Motion Prediction [2.887073662645855]
身体的・社会的文脈を考慮した動き予測モデルにおける注意の影響について検討した。
本稿では,Argoverse Motion Forecasting Benchmark 1.1 を用いて提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2022-09-26T13:18:32Z) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-29T07:49:48Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳（メタデータ） (2022-05-06T13:45:32Z) - Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。
重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。
本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
論文 参考訳（メタデータ） (2020-05-04T17:45:18Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。