論文の概要: Activity-aware Human Mobility Prediction with Hierarchical Graph Attention Recurrent Network

• arxiv url: http://arxiv.org/abs/2210.07765v2
• Date: Sat, 2 Sep 2023 06:38:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 07:34:37.180868
• Title: Activity-aware Human Mobility Prediction with Hierarchical Graph Attention Recurrent Network
• Title（参考訳）: 階層型グラフアテンションリカレントネットワークを用いた活動を考慮した人体移動予測
• Authors: Yihong Tang, Junlin He, Zhan Zhao
• Abstract要約: 本稿では,HGARN(Hierarchical Graph Attention Recurrent Network)を用いて人体移動予測を行う。 具体的には、すべてのユーザの履歴移動記録に基づいて階層グラフを構築する。 複雑な時間-アクティビティ-ロケーションの依存関係をキャプチャするために、階層的なグラフアテンションモジュールを使用します。
• 参考スコア（独自算出の注目度）: 6.8500997328311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human mobility prediction is a fundamental task essential for various applications, including urban planning, location-based services and intelligent transportation systems. Existing methods often ignore activity information crucial for reasoning human preferences and routines, or adopt a simplified representation of the dependencies between time, activities and locations. To address these issues, we present Hierarchical Graph Attention Recurrent Network (HGARN) for human mobility prediction. Specifically, we construct a hierarchical graph based on all users' history mobility records and employ a Hierarchical Graph Attention Module to capture complex time-activity-location dependencies. This way, HGARN can learn representations with rich human travel semantics to model user preferences at the global level. We also propose a model-agnostic history-enhanced confidence (MAHEC) label to focus our model on each user's individual-level preferences. Finally, we introduce a Temporal Module, which employs recurrent structures to jointly predict users' next activities (as an auxiliary task) and their associated locations. By leveraging the predicted future user activity features through a hierarchical and residual design, the accuracy of the location predictions can be further enhanced. For model evaluation, we test the performances of our HGARN against existing SOTAs in both the recurring and explorative settings. The recurring setting focuses on assessing models' capabilities to capture users' individual-level preferences, while the results in the explorative setting tend to reflect the power of different models to learn users' global-level preferences. Overall, our model outperforms other baselines significantly in all settings based on two real-world human mobility data benchmarks. Source codes of HGARN are available at https://github.com/YihongT/HGARN.
• Abstract（参考訳）: 人間移動予測は、都市計画、位置ベースサービス、インテリジェント交通システムなど、様々な用途に不可欠な基本課題である。 既存の方法は、人間の嗜好やルーチンの推論に不可欠な活動情報を無視したり、時間、活動、場所間の依存関係を単純化した表現を採用することが多い。 そこで本研究では,人間移動予測のための階層型グラフ注意再帰ネットワーク(hgarn)を提案する。 具体的には,すべてのユーザの履歴モビリティレコードに基づいて階層グラフを構築し,階層グラフアテンションモジュールを用いて複雑な時間-アクティビティ-ロケーション依存関係をキャプチャする。 このようにして、HGARNはリッチな人間の旅行セマンティクスで表現を学び、世界レベルでユーザーの好みをモデル化することができる。 また,モデルに依存しない履歴強調信頼 (MAHEC) ラベルを提案し,各ユーザの個人レベルの嗜好に焦点をあてる。 最後に,ユーザの次のアクティビティ(補助タスクとして)と関連するロケーションを共同で予測するリカレント構造を用いた時間モジュールを提案する。 階層的かつ残留的な設計により予測される将来のユーザアクティビティ機能を活用することにより、位置予測の精度をさらに高めることができる。 モデル評価では,HGARNの既存のSOTAに対して,繰り返し設定と爆発設定の両方で性能を試験する。 繰り返し設定は、ユーザの個人レベルの嗜好をキャプチャするモデルの能力を評価することに焦点を当て、爆発的な設定の結果は、ユーザのグローバルレベルの嗜好を学ぶために、さまざまなモデルのパワーを反映する傾向がある。 全体として、我々のモデルは、実際の2つの人間のモビリティデータベンチマークに基づいて、すべての設定において、他のベースラインよりも大幅に優れています。 HGARNのソースコードはhttps://github.com/YihongT/HGARNで公開されている。

関連論文リスト

• TrajGEOS: Trajectory Graph Enhanced Orientation-based Sequential Network for Mobility Prediction [10.876862361004944]
  次位置予測タスクのための textbfTrajectory textbfGraph textbfEnhanced textbfOrientation-based textbfSequential network (TrajGEOS) を提案する。
  論文  参考訳（メタデータ） (2024-12-26T07:18:38Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Regions are Who Walk Them: a Large Pre-trained Spatiotemporal Model Based on Human Mobility for Ubiquitous Urban Sensing [24.48869607589127]
  本研究では,人体移動データに含まれるリッチな情報を活用するために,トラジェクトリ(RAW)に基づく大規模時空間モデルを提案する。 提案手法は,人間の移動データのみに特色を持たず,ユーザのプロファイリングや地域分析に一定の関連性を示す。
  論文  参考訳（メタデータ） (2023-11-17T11:55:11Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Spatiotemporal-Augmented Graph Neural Networks for Human Mobility Simulation [35.89805766554052]
  本稿では,SRpatio-Augmented gaph Neural Network という,位置の動的時間的効果をモデル化する新しいフレームワークを提案する。 STARフレームワークは、行動対応を捉えるために様々な時間グラフを設計し、異なる場所の居住地をシミュレートする新しいブランチを構築し、最終的にその期間を逆向きに最適化する。
  論文  参考訳（メタデータ） (2023-06-15T11:47:45Z)
• 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)
• 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)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)
• 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)
• 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。