Fugu-MT 論文翻訳(概要): Predictability states in human mobility

論文の概要: Predictability states in human mobility

arxiv url: http://arxiv.org/abs/2201.01376v1
Date: Tue, 4 Jan 2022 23:11:14 GMT
ステータス: 処理完了
システム内更新日: 2023-03-02 07:33:06.873423
Title: Predictability states in human mobility
Title（参考訳）: 人体移動における予測可能性
Authors: Diogo Pacheco, Marcos Oliveira, Zexun Chen, Hugo Barbosa, Brooke Foucault-Welles, Gourab Ghoshal, Ronaldo Menezes
Abstract要約: 人間の移動性の予測可能性は非単調であり、この社会的時間的文脈によって異なる。人間のモビリティの予測可能性は、個人の特性ではなく、エム状態であることを示す。
参考スコア（独自算出の注目度）: 0.9051352746190447
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Spatio-temporal constraints coupled with social constructs have the potential to create fluid predictability to human mobility patterns. Accordingly, predictability in human mobility is non-monotonic and varies according to this spatio-socio-temporal context. Here, we propose that the predictability in human mobility is a {\em state} and not a static trait of individuals. First, we show that time (of the week) explains people's whereabouts more than the sequences of locations they visit. Then, we show that not only does predictability depend on time but also the type of activity an individual is engaged in, thus establishing the importance of contexts in human mobility.
Abstract（参考訳）: 時空間的制約と社会構造の組み合わせは、人間の移動パターンに対して流動的な予測可能性を生み出す可能性がある。したがって、人体移動の予測可能性は非単調であり、この時空間的文脈によって異なる。ここでは、人間の移動性の予測可能性は、個人の静的特性ではなく、状態であることを示す。まず、時間(週)が、訪問する場所のシーケンスよりも人々の居場所を説明していることを示します。そして、予測可能性は時間に依存するだけでなく、個人が関与している活動の種類にも依存し、人間の移動における文脈の重要性が確立されることを示す。

関連論文リスト

Deep Activity Model: A Generative Approach for Human Mobility Pattern Synthesis [11.90100976089832]
我々は,人間の移動性モデリングと合成のための新しい生成的深層学習手法を開発した。オープンソースのデータを使って、アクティビティパターンとロケーショントラジェクトリの両方を組み込む。モデルはローカルデータで微調整できるため、さまざまな領域にわたるモビリティパターンを正確に表現することができる。
論文参考訳（メタデータ） (2024-05-24T02:04:10Z)
A Short Survey of Human Mobility Prediction in Epidemic Modeling from Transformers to LLMs [0.0]
疫病の流行をモデル化するためには、人々がどう動くかを理解することが不可欠である。人口移動の予測は、公衆衛生上の緊急時のモデルや効果的な対応計画の策定に不可欠である。 BERTやLLM(Large Language Models)のような事前訓練された言語モデルを用いて,モビリティ予測タスクに特化して,さまざまなアプローチをレビューする。
論文参考訳（メタデータ） (2024-04-25T17:52:19Z)
Mixing Individual and Collective Behaviours to Predict Out-of-Routine Mobility [4.442030973972382]
本研究では,個人と集団の移動行動を動的に統合する手法を提案する。より高度な深層学習手法を超越して、ルーチン外モビリティを予測する上で、優れた性能を示す。個人的行動と集団的行動のギャップを埋めることによって、我々のアプローチは透明で正確な予測を提供する。
論文参考訳（メタデータ） (2024-04-03T13:38:49Z)
Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文参考訳（メタデータ） (2024-03-10T04:16:04Z)
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)
IMAP: Individual huMAn mobility Patterns visualizing platform [0.39373541926236766]
ユーザのモビリティパターンを予測する既存のモデルの精度は25%以下である。本研究では,人間の移動パターンを研究・分析し,その柔軟性を捉える新しい視点を提案する。我々のプラットフォームは、利用者が訪れた場所の履歴に基づいてグラフを視覚化することを可能にする。
論文参考訳（メタデータ） (2022-09-08T07:43:54Z)
Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
論文参考訳（メタデータ） (2022-03-30T03:54:11Z)
Dyadic Human Motion Prediction [119.3376964777803]
本稿では,2つの被験者の相互作用を明示的に推論する動き予測フレームワークを提案する。具体的には,2つの被験者の運動履歴の相互依存をモデル化する一対の注意機構を導入する。これにより、より現実的な方法で長期の運動力学を保ち、異常かつ高速な運動を予測することができる。
論文参考訳（メタデータ） (2021-12-01T10:30:40Z)
Heterogeneous-Agent Trajectory Forecasting Incorporating Class Uncertainty [54.88405167739227]
本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
論文参考訳（メタデータ） (2021-04-26T10:28:34Z)
Long Term Motion Prediction Using Keyposes [122.22758311506588]
長期的な予測を達成するには、瞬時に人間のポーズを予測する必要があると論じている。このようなポーズを「キーポス」と呼び、後続のキーポスを線形に補間して近似する複素運動と呼ぶ。このようなキープレースのシーケンスを学習することで,将来的には最大5秒まで,非常に長期にわたる動作を予測できることが示される。
論文参考訳（メタデータ） (2020-12-08T20:45:51Z)
Flow descriptors of human mobility networks [0.0]
本研究では,モビリティネットワークの流れとトポロジを特徴付けるシステム解析を提案し,その影響を個別のトレースに評価する。この枠組みは, 都市計画の評価, 交通の最適化, 外部イベントや状況の影響の計測, 内部動態のモニタリング, 利用者の行動パターンに応じたプロファイル化に適している。
論文参考訳（メタデータ） (2020-03-16T15:27:00Z)

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。