論文の概要: Human Mobility Prediction with Causal and Spatial-constrained Multi-task
Network
- arxiv url: http://arxiv.org/abs/2206.05731v1
- Date: Sun, 12 Jun 2022 13:03:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-15 08:28:11.196487
- Title: Human Mobility Prediction with Causal and Spatial-constrained Multi-task
Network
- Title（参考訳）: 因果・空間制約型マルチタスクネットワークを用いた人体移動予測
- Authors: Zongyuan Huang, Shengyuan Xu, Menghan Wang, Hansi Wu, Yanyan Xu,
Yaohui Jin
- Abstract要約: 次の位置予測のための因果・空間制約長短学習者(CSLSL)を提案する。
CSLSLはマルチタスク学習に基づく因果構造を用いて「when$rightarrow$what$rightarrow$where」を明示的にモデル化する
3つの実世界のデータセットの実験では、ベースラインを超えるCSLSLのパフォーマンスが33.4%向上した。
- 参考スコア（独自算出の注目度）: 24.226097646665792
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modeling human mobility helps to understand how people are accessing
resources and physically contacting with each other in cities, and thus
contributes to various applications such as urban planning, epidemic control,
and location-based advertisement. Next location prediction is one decisive task
in individual human mobility modeling and is usually viewed as sequence
modeling, solved with Markov or RNN-based methods. However, the existing models
paid little attention to the logic of individual travel decisions and the
reproducibility of the collective behavior of population. To this end, we
propose a Causal and Spatial-constrained Long and Short-term Learner (CSLSL)
for next location prediction. CSLSL utilizes a causal structure based on
multi-task learning to explicitly model the
"when$\rightarrow$what$\rightarrow$where", a.k.a.
"time$\rightarrow$activity$\rightarrow$location" decision logic. We next
propose a spatial-constrained loss function as an auxiliary task, to ensure the
consistency between the predicted and actual spatial distribution of travelers'
destinations. Moreover, CSLSL adopts modules named Long and Short-term Capturer
(LSC) to learn the transition regularities across different time spans.
Extensive experiments on three real-world datasets show a 33.4% performance
improvement of CSLSL over baselines and confirm the effectiveness of
introducing the causality and consistency constraints. The implementation is
available at https://github.com/urbanmobility/CSLSL.
- Abstract（参考訳）: ヒトのモビリティのモデリングは、人々がどのようにリソースにアクセスし、都市で物理的に接触しているかを理解するのに役立ち、都市計画、疫病対策、位置ベースの広告など様々な応用に寄与する。
次の位置予測は、個人の移動モデルにおいて決定的なタスクであり、通常、マルコフやRNNベースの方法で解決されたシーケンスモデリングと見なされる。
しかし、既存のモデルは個々の旅行決定の論理と集団行動の再現性にはほとんど注意を払わなかった。
そこで本研究では,CSLSL(Causal and Space-Constrained Long and Short-term Learner)を提案する。
CSLSLはマルチタスク学習に基づく因果構造を用いて「when$\rightarrow$what$\rightarrow$where」、すなわち「time$\rightarrow$ Activity$\rightarrow$location」決定論理を明示的にモデル化する。
次に,目的地の予測と実際の空間分布の整合性を確保するため,補助タスクとして空間制約付き損失関数を提案する。
さらに、CSLSLはLong and Short-term Capturer (LSC)という名前のモジュールを採用し、異なる時間間隔で遷移規則性を学ぶ。
3つの実世界のデータセットに対する大規模な実験は、ベースラインよりも33.4%の性能向上を示し、因果性と一貫性の制約を導入する効果を確認している。
実装はhttps://github.com/urbanmobility/CSLSLで公開されている。
関連論文リスト
- Multimodal Contrastive Learning of Urban Space Representations from POI Data [2.695321027513952]
CaLLiPer (Contrastive Language-Location Pre-training) は連続的な都市空間をベクトル表現に埋め込む表現学習モデルである。
ロンドンにおける都市空間表現の学習に適用し,CaLLiPerの有効性を検証する。
論文 参考訳（メタデータ） (2024-11-09T16:24:07Z) - A Closer Look at Benchmarking Self-Supervised Pre-training with Image Classification [51.35500308126506]
自己教師付き学習(SSL)は、データ自体が監視を提供する機械学習アプローチであり、外部ラベルの必要性を排除している。
SSLの分類に基づく評価プロトコルがどのように相関し、異なるデータセットのダウンストリーム性能を予測するかを検討する。
論文 参考訳（メタデータ） (2024-07-16T23:17:36Z) - Spatial-Temporal Large Language Model for Traffic Prediction [21.69991612610926]
交通予測のための時空間大言語モデル(ST-LLM)を提案する。
ST-LLMでは,各位置の時間ステップをトークンとして定義し,空間的位置とグローバルな時間的パターンを学習するための空間的時間的埋め込みを設計する。
実トラフィックデータセットの実験において、ST-LLMは最先端のモデルより優れた空間時空間学習器である。
論文 参考訳（メタデータ） (2024-01-18T17:03:59Z) - Spatial-Temporal Interplay in Human Mobility: A Hierarchical
Reinforcement Learning Approach with Hypergraph Representation [25.26148307071171]
STI-HRLフレームワークは、人間の移動意思決定における空間的要因と時間的要因の相互作用を捉えている。
階層的決定設定を補完するため,過去のデータを整理するハイパーグラフを構築した。
実世界の2つのデータセットに対する実験は、ユーザの次の訪問を予測するための最先端手法よりもSTI-HRLの方が優れていることを検証した。
論文 参考訳（メタデータ） (2023-12-25T13:00:05Z) - Spatio-Temporal Self-Supervised Learning for Traffic Flow Prediction [36.77135502344546]
本稿では,新しいST-SSL(Spatio-Supervised Learning)トラフィック予測フレームワークを提案する。
我々のST-SSLは、時空間の畳み込みによって、空間と時間にまたがる情報を符号化する統合モジュール上に構築されている。
4つのベンチマークデータセットの実験では、ST-SSLは様々な最先端のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2022-12-07T10:02:01Z) - DATA: Domain-Aware and Task-Aware Pre-training [94.62676913928831]
我々は、自己教師付き学習(SSL)に特化した、シンプルで効果的なNASアプローチであるDataを提示する。
提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションなど,下流タスクにおける計算コストの広い範囲にわたる有望な結果を実現する。
論文 参考訳（メタデータ） (2022-03-17T02:38:49Z) - Sound and Visual Representation Learning with Multiple Pretraining Tasks [104.11800812671953]
自己管理タスク(SSL)は、データと異なる特徴を明らかにする。
この作業は、下流のすべてのタスクをうまく一般化する複数のSSLタスク(Multi-SSL)を組み合わせることを目的としている。
音響表現の実験では、SSLタスクのインクリメンタルラーニング(IL)によるマルチSSLが、単一のSSLタスクモデルより優れていることが示されている。
論文 参考訳（メタデータ） (2022-01-04T09:09:38Z) - PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image
Segmentation [87.50205728818601]
本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。
我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
論文 参考訳（メタデータ） (2020-11-25T11:03:11Z) - Interventional Few-Shot Learning [88.31112565383457]
本稿では,新しいFew-Shot Learningパラダイム,Interventional Few-Shot Learningを提案する。
コードはhttps://github.com/yue-zhongqi/ifsl.comで公開されている。
論文 参考訳（メタデータ） (2020-09-28T01:16:54Z) - Information Bottleneck Constrained Latent Bidirectional Embedding for
Zero-Shot Learning [59.58381904522967]
本稿では,密な視覚-意味的結合制約を持つ埋め込み型生成モデルを提案する。
視覚空間と意味空間の両方の埋め込みパラメトリック分布を校正する統合潜在空間を学習する。
本手法は, 画像のラベルを生成することにより, トランスダクティブZSL設定に容易に拡張できる。
論文 参考訳（メタデータ） (2020-09-16T03:54:12Z)
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。