論文の概要: Online Trajectory Prediction for Metropolitan Scale Mobility Digital
Twin
- arxiv url: http://arxiv.org/abs/2207.03575v1
- Date: Tue, 21 Jun 2022 11:34:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-17 17:05:36.948195
- Title: Online Trajectory Prediction for Metropolitan Scale Mobility Digital
Twin
- Title（参考訳）: 大都市圏デジタル双生児のオンライン軌道予測
- Authors: Zipei Fan, Xiaojie Yang, Wei Yuan, Renhe Jiang, Quanjun Chen, Xuan
Song and Ryosuke Shibasaki
- Abstract要約: 都市におけるモビリティの"何が起きているか"と"何が起こるか"を知ることは、データ駆動型スマートシティシステムの構築ブロックである。
粗くきめ細かなレベルの予測を階層化する2段階の人体移動予測器を提案する。
関東地方における実世界の携帯電話GPSデータを用いて,本手法を検証した。
- 参考スコア（独自算出の注目度）: 13.07036447576714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowing "what is happening" and "what will happen" of the mobility in a city
is the building block of a data-driven smart city system. In recent years,
mobility digital twin that makes a virtual replication of human mobility and
predicting or simulating the fine-grained movements of the subjects in a
virtual space at a metropolitan scale in near real-time has shown its great
potential in modern urban intelligent systems. However, few studies have
provided practical solutions. The main difficulties are four-folds. 1) The
daily variation of human mobility is hard to model and predict; 2) the
transportation network enforces a complex constraints on human mobility; 3)
generating a rational fine-grained human trajectory is challenging for existing
machine learning models; and 4) making a fine-grained prediction incurs high
computational costs, which is challenging for an online system. Bearing these
difficulties in mind, in this paper we propose a two-stage human mobility
predictor that stratifies the coarse and fine-grained level predictions. In the
first stage, to encode the daily variation of human mobility at a metropolitan
level, we automatically extract citywide mobility trends as crowd contexts and
predict long-term and long-distance movements at a coarse level. In the second
stage, the coarse predictions are resolved to a fine-grained level via a
probabilistic trajectory retrieval method, which offloads most of the heavy
computations to the offline phase. We tested our method using a real-world
mobile phone GPS dataset in the Kanto area in Japan, and achieved good
prediction accuracy and a time efficiency of about 2 min in predicting future
1h movements of about 220K mobile phone users on a single machine to support
more higher-level analysis of mobility prediction.
- Abstract（参考訳）: 都市におけるモビリティの"何が起きているか"と"何が起こるか"を知ることは、データ駆動型スマートシティシステムの構築ブロックである。
近年,人間の移動性を仮想的に再現し,仮想空間における被写体の微粒な動きをほぼリアルタイムで予測・シミュレーションするモビリティ・デジタルツインが,現代の都市知能システムにおいて大きな可能性を示している。
しかし、実際的な解決策を提供する研究はほとんどない。
主な問題は4つある。
1) 人体移動の日次変動をモデル化し予測することは困難である。
2) 交通網は,人間の移動に関する複雑な制約を強制する。
3) 合理的なきめ細かな人間の軌道生成は、既存の機械学習モデルにとって困難である。
4) 詳細な予測を行うことで計算コストが高くなり, オンラインシステムでは困難である。
本稿では,この難しさを念頭に置いて,粗くきめ細かなレベルの予測を行う2段階の人体移動予測器を提案する。
第1段階では,都心レベルでの人間の移動の日々の変動をエンコードするために,都市全体の移動傾向を群衆のコンテキストとして自動的に抽出し,粗いレベルでの長期的・長期的移動を予測する。
第2段階では、重計算の大部分をオフラインフェーズにオフロードする確率的軌道探索法により、粗い予測をきめ細かなレベルに解決する。
関東地方における実世界の携帯電話GPSデータを用いて本手法を検証し,移動予測の高レベル分析を支援するため,1台のマシン上で約220万台の携帯電話利用者の1h移動を予測し,予測精度と時間効率約2分を実現した。
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) - MetaUrban: An Embodied AI Simulation Platform for Urban Micromobility [52.0930915607703]
最近のロボティクスとエンボディードAIの進歩により、公共の都市空間はもはや人間専用ではない。
公共の都市空間における短距離移動のためのAIによって実現されるマイクロモビリティは、将来の交通システムにおいて重要な要素である。
本稿では,AI駆動型都市マイクロモビリティ研究のための構成シミュレーションプラットフォームであるMetaUrbanを紹介する。
論文 参考訳（メタデータ） (2024-07-11T17:56:49Z) - COLA: Cross-city Mobility Transformer for Human Trajectory Simulation [44.157114416533915]
モデル非依存転送フレームワークを用いた都市間mObiLity trAnsformer (COLA) を開発した。
COLAはトランスフォーマーを、都市固有の特性のためのプライベートモジュールと、都市・ユニバーサルモビリティパターンのための共有モジュールに分割する。
実装された都市間ベースラインは,その優位性と有効性を示している。
論文 参考訳（メタデータ） (2024-03-04T07:45:29Z) - Humanoid Locomotion as Next Token Prediction [84.21335675130021]
我々のモデルは感覚運動軌道の自己回帰予測によって訓練された因果変換器である。
われわれのモデルでは、フルサイズのヒューマノイドがサンフランシスコでゼロショットで歩けることが示されている。
われわれのモデルは、わずか27時間の歩行データで訓練された場合でも現実世界に移行でき、後方歩行のような訓練中に見えないコマンドを一般化することができる。
論文 参考訳（メタデータ） (2024-02-29T18:57:37Z) - Social-Transmotion: Promptable Human Trajectory Prediction [65.80068316170613]
Social-Transmotionは、多種多様な視覚的手がかりを利用して人間の行動を予測する、汎用トランスフォーマーベースのモデルである。
提案手法は,JTA,JRDB,歩行者,道路交通のサイクリスト,ETH-UCYなど,複数のデータセットで検証されている。
論文 参考訳（メタデータ） (2023-12-26T18:56:49Z) - Robots That Can See: Leveraging Human Pose for Trajectory Prediction [30.919756497223343]
本研究では,人間中心環境における未来の軌道を予測するためのトランスフォーマーアーキテクチャを提案する。
結果として得られたモデルは、将来の人間の軌道予測に固有の不確実性を捉えている。
我々は,限られた履歴データを持つ新しいエージェントを誤りの主な要因として同定し,予測誤差を低減するために3次元骨格ポーズの相補的な性質を実証する。
論文 参考訳（メタデータ） (2023-09-29T13:02:56Z) - Learning Human-to-Robot Handovers from Point Clouds [63.18127198174958]
視覚に基づく人間ロボットハンドオーバの制御ポリシーを学習する最初のフレームワークを提案する。
シミュレーションベンチマーク,sim-to-sim転送,sim-to-real転送において,ベースラインよりも大きな性能向上を示した。
論文 参考訳（メタデータ） (2023-03-30T17:58:36Z) - Continuous Trajectory Generation Based on Two-Stage GAN [50.55181727145379]
本稿では,道路網上の連続軌道を生成するために,新たな2段階生成対向フレームワークを提案する。
具体的には、A*アルゴリズムの人間の移動性仮説に基づいてジェネレータを構築し、人間の移動性について学習する。
判別器では, 逐次報酬と移動ヤウ報酬を組み合わせることで, 発電機の有効性を高める。
論文 参考訳（メタデータ） (2023-01-16T09:54:02Z) - Mobility prediction Based on Machine Learning Algorithms [7.078487870739008]
本稿では,移動予測技術の現状を紹介する。
そこで我々は,現実的な交通日付学習のためのSVMアルゴリズムとMLアルゴリズムを選択した。
最後に,移動性予測のシミュレーション結果を分析し,移動性予測をモバイル通信改善に応用する今後の作業計画を提案する。
論文 参考訳（メタデータ） (2021-11-12T13:49:29Z) - WiFiMod: Transformer-based Indoor Human Mobility Modeling using Passive
Sensing [25.901165832790493]
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。
論文 参考訳（メタデータ） (2021-04-20T08:45:17Z) - Deep Learning for Human Mobility: a Survey on Data and Models [5.9623431392389]
人間の移動性の研究は、社会の様々な側面に影響を及ぼすため、非常に重要である。
電話記録、GPSトレース、ソーシャルメディア投稿などのデジタルモビリティデータの拡散は、深層学習を人間のモビリティに適用するきっかけとなった。
我々の調査は、次の位置予測、群集の流れ予測、軌道生成に対する先進的なディープラーニングソリューションのガイドである。
論文 参考訳（メタデータ） (2020-12-04T19:59:39Z)
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。