論文の概要: On Inferring User Socioeconomic Status with Mobility Records
- arxiv url: http://arxiv.org/abs/2211.08200v1
- Date: Tue, 15 Nov 2022 15:07:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 13:31:49.426095
- Title: On Inferring User Socioeconomic Status with Mobility Records
- Title（参考訳）: 移動記録を用いた社会経済状態の推測について
- Authors: Zheng Wang, Mingrui Liu, Cheng Long, Qianru Zhang, Jiangneng Li,
Chunyan Miao
- Abstract要約: 本稿では,DeepSEIと呼ばれる,社会経済に配慮したディープモデルを提案する。
DeepSEIモデルはディープネットワークとリカレントネットワークと呼ばれる2つのネットワークを組み込んでいる。
実際の移動記録データ、POIデータ、住宅価格データについて広範な実験を行う。
- 参考スコア（独自算出の注目度）: 61.0966646857356
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: When users move in a physical space (e.g., an urban space), they would have
some records called mobility records (e.g., trajectories) generated by devices
such as mobile phones and GPS devices. Naturally, mobility records capture
essential information of how users work, live and entertain in their daily
lives, and therefore, they have been used in a wide range of tasks such as user
profile inference, mobility prediction and traffic management. In this paper,
we expand this line of research by investigating the problem of inferring user
socioeconomic statuses (such as prices of users' living houses as a proxy of
users' socioeconomic statuses) based on their mobility records, which can
potentially be used in real-life applications such as the car loan business.
For this task, we propose a socioeconomic-aware deep model called DeepSEI. The
DeepSEI model incorporates two networks called deep network and recurrent
network, which extract the features of the mobility records from three aspects,
namely spatiality, temporality and activity, one at a coarse level and the
other at a detailed level. We conduct extensive experiments on real mobility
records data, POI data and house prices data. The results verify that the
DeepSEI model achieves superior performance than existing studies. All datasets
used in this paper will be made publicly available.
- Abstract（参考訳）: ユーザーが物理的な空間(例えば都市空間)に移動するとき、携帯電話やGPSデバイスなどのデバイスによって生成される移動記録(例えば、軌跡)と呼ばれる記録がいくつかある。
当然、移動記録は、ユーザの日常生活における働き方、生き方、楽しみ方の本質的な情報を捉えており、ユーザプロファイル推定、移動予測、交通管理など、幅広いタスクで使用されている。
本稿では,カーローンビジネスなど実生活に応用可能なモビリティ記録に基づいて,利用者の社会経済状態(住宅価格など,利用者の社会経済状態の指標としての住宅価格など)を推測する問題を解明し,この研究範囲を拡大する。
本研究では,DeepSEIと呼ばれる社会経済学的な深層モデルを提案する。
deepseiモデルにはdeep networkとrecurrent networkと呼ばれる2つのネットワークが組み込まれており、空間性、時間性、活動性という3つの側面からモビリティの記録の特徴を抽出している。
実際の移動記録データ、POIデータ、住宅価格データについて広範な実験を行う。
その結果,DeepSEIモデルが既存の研究よりも優れた性能を発揮することを確認した。
この論文で使用されるデータセットはすべて公開されます。
関連論文リスト
- Urban Mobility Assessment Using LLMs [19.591156495742922]
本研究は,大規模言語モデル(LLM)を推進し,旅行調査を合成する,革新的なAIベースのアプローチを提案する。
本研究は, 異なるレベルの既存調査データと比較し, 全米各都市圏におけるこのアプローチの有効性について検討した。
論文 参考訳（メタデータ） (2024-08-22T19:17:33Z) - Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。
我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。
あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
論文 参考訳（メタデータ） (2024-07-03T16:08:05Z) - 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) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳（メタデータ） (2023-06-14T05:48:36Z) - Modeling Spatial Trajectories using Coarse-Grained Smartphone Logs [9.571588145356277]
REVAMPは、スマートフォンアプリケーションのユーザアクティビティを利用して、モビリティの好みを特定する、シーケンシャルなPOIレコメンデーションアプローチである。
REVAMPは正確なジオコーディネート、ソーシャルネットワーク、あるいはアクセスされている特定のアプリケーションに対してプライベートではない。
論文 参考訳（メタデータ） (2022-08-29T02:56:39Z) - Generating synthetic mobility data for a realistic population with RNNs
to improve utility and privacy [3.3918638314432936]
本稿では, ディープリカレントニューラルネットワーク(RNN)を用いた合成モビリティデータ生成システムを提案する。
本システムは, 個体群分布を入力として, 対応する合成個体群の移動トレースを生成する。
生成したモビリティデータは,個々のレベルでの実際のデータから変化しながら,実際のデータの特徴を保っていることを示す。
論文 参考訳（メタデータ） (2022-01-04T13:58:22Z) - Domain and Modality Gaps for LiDAR-based Person Detection on Mobile
Robots [91.01747068273666]
本稿では,移動ロボットのシナリオに着目した既存のLiDAR人物検出装置について検討する。
実験は3Dと2D LiDARのセンサー間のモダリティのギャップだけでなく、運転と移動ロボットのシナリオ間の領域ギャップを回避している。
その結果、LiDARに基づく人物検出の実践的な洞察を与え、関連する移動ロボットの設計と応用に関する情報決定を容易にする。
論文 参考訳（メタデータ） (2021-06-21T16:35:49Z) - AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。
本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
論文 参考訳（メタデータ） (2021-01-03T15:45:35Z) - Urban Sensing based on Mobile Phone Data: Approaches, Applications and
Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。
本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文 参考訳（メタデータ） (2020-08-29T15:14:03Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。