論文の概要: Context-aware multi-head self-attentional neural network model for next
location prediction
- arxiv url: http://arxiv.org/abs/2212.01953v1
- Date: Sun, 4 Dec 2022 23:40:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 19:12:54.144529
- Title: Context-aware multi-head self-attentional neural network model for next
location prediction
- Title(参考訳): 次の位置予測のためのコンテキストアウェアマルチヘッド自己アテンショナルニューラルネットワークモデル
- Authors: Ye Hong, Yatao Zhang, Konrad Schindler, Martin Raubal
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 23.328076039758603
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate activity location prediction is a crucial component of many mobility
applications and is particularly required to develop personalized, sustainable
transportation systems. Despite the widespread adoption of deep learning
models, next location prediction models lack a comprehensive discussion and
integration of mobility-related spatio-temporal contexts. Here, we utilize a
multi-head self-attentional (MHSA) neural network that learns location
transition patterns from historical location visits, their visit time and
activity duration, as well as their surrounding land use functions, to infer an
individual's next location. Specifically, we adopt point-of-interest data and
latent Dirichlet allocation for representing locations' land use contexts at
multiple spatial scales, generate embedding vectors of the spatio-temporal
features, and learn to predict the next location with an MHSA network. Through
experiments on two large-scale GNSS tracking datasets, we demonstrate that the
proposed model outperforms other state-of-the-art prediction models, and reveal
the contribution of various spatio-temporal contexts to the model's
performance. Moreover, we find that the model trained on population data
achieves higher prediction performance with fewer parameters than
individual-level models due to learning from collective movement patterns. We
also reveal mobility conducted in the recent past and one week before has the
largest influence on the current prediction, showing that learning from a
subset of the historical mobility is sufficient to obtain an accurate location
prediction result. We believe that the proposed model is vital for
context-aware mobility prediction. The gained insights will help to understand
location prediction models and promote their implementation for mobility
applications.
- Abstract(参考訳): 正確な活動位置予測は多くのモビリティアプリケーションにおいて重要な要素であり、特にパーソナライズされた持続可能な輸送システムを開発するために必要である。
ディープラーニングモデルの普及にもかかわらず、次の位置予測モデルは、モビリティに関連する時空間コンテキストの包括的な議論と統合を欠いている。
本稿では,マルチヘッド・セルフ・アテンション(mhsa)ニューラルネットワークを用いて,過去の場所訪問,訪問時間,活動時間,周辺の土地利用機能から位置遷移パターンを学習し,個人の次の位置を推定する。
具体的には,複数の空間的スケールで場所の土地利用コンテキストを表現し,時空間的特徴の埋め込みベクトルを生成し,mhsaネットワークを用いて次の位置を予測することを学ぶ。
2つの大規模GNSS追跡データセットの実験を通して、提案モデルが他の最先端予測モデルより優れており、様々な時空間がモデルの性能に与える影響を明らかにする。
さらに,集団行動パターンからの学習により,個体群データに基づくモデルが個人レベルでのモデルよりも少ないパラメータで高い予測性能を達成することがわかった。
また,過去および1週間前に実施したモビリティが現在の予測に最も大きな影響を与え,過去のモビリティのサブセットからの学習が正確な位置予測結果を得るために十分であることを示す。
我々は,提案モデルがコンテキスト認識モビリティ予測に不可欠であると考えている。
得られた洞察は、位置予測モデルを理解し、モビリティアプリケーションの実装を促進するのに役立つだろう。
関連論文リスト
- 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) - Spatial-Temporal Large Language Model for Traffic Prediction [22.78807405820044]
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は各場所のタイムステップをトークンとして再定義し、時空間埋め込みモジュールを組み込む。
少数ショットとゼロショットの予測シナリオにおいて、堅牢なパフォーマンスを示す。
論文 参考訳(メタデータ) (2024-01-18T17:03:59Z) - 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) - 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) - Activity-aware Human Mobility Prediction with Hierarchical Graph
Attention Recurrent Network [6.8500997328311]
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。
論文 参考訳(メタデータ) (2022-10-14T12:56:01Z) - How do you go where? Improving next location prediction by learning
travel mode information using transformers [6.003006906852134]
本稿では, トランスフォーマーデコーダに基づくニューラルネットワークを提案し, 過去の位置, 時間, 移動モードに基づいて, 個人が訪問する次の場所を予測する。
特に、次の旅行モードの予測は、ネットワークの学習をガイドする補助的なタスクとして設計されている。
実験の結果,提案手法は,他の最先端の次の位置予測手法よりも大幅に優れていることがわかった。
論文 参考訳(メタデータ) (2022-10-08T19:36:58Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳(メタデータ) (2022-05-06T13:45:32Z) - Preference Enhanced Social Influence Modeling for Network-Aware Cascade
Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。
エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文 参考訳(メタデータ) (2022-04-18T09:25:06Z) - 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) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳(メタデータ) (2020-02-20T18:50:44Z)
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。