論文の概要: Continuous Trajectory Generation Based on Two-Stage GAN

• arxiv url: http://arxiv.org/abs/2301.07103v1
• Date: Mon, 16 Jan 2023 09:54:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-19 17:39:03.346313
• Title: Continuous Trajectory Generation Based on Two-Stage GAN
• Title（参考訳）: 2段階GANによる連続軌道生成
• Authors: Wenjun Jiang, Wayne Xin Zhao, Jingyuan Wang, Jiawei Jiang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.55181727145379
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulating the human mobility and generating large-scale trajectories are of great use in many real-world applications, such as urban planning, epidemic spreading analysis, and geographic privacy protect. Although many previous works have studied the problem of trajectory generation, the continuity of the generated trajectories has been neglected, which makes these methods useless for practical urban simulation scenarios. To solve this problem, we propose a novel two-stage generative adversarial framework to generate the continuous trajectory on the road network, namely TS-TrajGen, which efficiently integrates prior domain knowledge of human mobility with model-free learning paradigm. Specifically, we build the generator under the human mobility hypothesis of the A* algorithm to learn the human mobility behavior. For the discriminator, we combine the sequential reward with the mobility yaw reward to enhance the effectiveness of the generator. Finally, we propose a novel two-stage generation process to overcome the weak point of the existing stochastic generation process. Extensive experiments on two real-world datasets and two case studies demonstrate that our framework yields significant improvements over the state-of-the-art methods.
• Abstract（参考訳）: 人間の移動をシミュレートし、大規模な軌道を生成することは、都市計画、拡散分析、地理的プライバシ保護など、多くの現実世界のアプリケーションで非常に有用である。 過去の多くの研究で軌道生成の問題が研究されているが、生成された軌道の連続性は無視されており、実際の都市シミュレーションシナリオでは利用できない。 そこで本研究では,道路網上での連続的軌跡,すなわちTS-TrajGenをモデルフリー学習パラダイムに効率よく組み込むための,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*アルゴリズムのヒューマンモビリティ仮説に基づいて生成器を構築し,人間のモビリティ挙動を学習する。 判別器については, 逐次報酬と移動ヨー報酬を組み合わせることで, 発電機の有効性を高める。 最後に,既存の確率的生成プロセスの弱点を克服する新しい2段階生成プロセスを提案する。 2つの実世界のデータセットに関する広範囲な実験と、2つのケーススタディは、我々のフレームワークが最先端のメソッドよりも大きな改善をもたらすことを示している。

関連論文リスト

• ST-MoE-BERT: A Spatial-Temporal Mixture-of-Experts Framework for Long-Term Cross-City Mobility Prediction [6.0588503913405045]
  我々はST-MoE-BERTと呼ばれる人間の移動パターンを予測する頑健な手法を提案する。 本手法は,Mixture-of-ExpertsアーキテクチャとBERTモデルを統合し,複雑な移動力学を捉える。 本稿では,GEO-BLEUおよびDTWにおける提案手法の有効性について述べる。
  論文  参考訳（メタデータ） (2024-10-18T00:32:18Z)
• MobilityGPT: Enhanced Human Mobility Modeling with a GPT model [12.01839817432357]
  我々はこれらの問題に対処するために、自己回帰生成タスクとして、人間のモビリティモデリングを再構築する。 本稿では,ジオスパティカル・アウェア・ジェネレーティブ・モデルであるモビリティGPTを提案する。 実世界のデータセットの実験では、モビリティGPTは最先端の手法よりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-05T18:22:21Z)
• Kinematics-aware Trajectory Generation and Prediction with Latent Stochastic Differential Modeling [12.338614299403305]
  軌道生成と軌道予測は自動運転における重要な課題である。 深層学習に基づく手法は、様々な交通シナリオを学習する上で、これらの2つのタスクに大きな可能性を示してきた。 しかし、生成/予測された軌道が物理的に現実的であることを保証するためには、これらの手法が依然として難しい問題である。
  論文  参考訳（メタデータ） (2023-09-17T16:06:38Z)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)
• Safety-compliant Generative Adversarial Networks for Human Trajectory Forecasting [95.82600221180415]
  群衆における人間予測は、社会的相互作用をモデル化し、衝突のないマルチモーダル分布を出力するという課題を提示する。 SGANv2は、動き時間相互作用モデリングと変圧器に基づく識別器設計を備えた安全に配慮したSGANアーキテクチャである。
  論文  参考訳（メタデータ） (2022-09-25T15:18:56Z)
• Training and Evaluation of Deep Policies using Reinforcement Learning and Generative Models [67.78935378952146]
  GenRLはシーケンシャルな意思決定問題を解決するためのフレームワークである。 強化学習と潜在変数生成モデルの組み合わせを利用する。 最終方針訓練の性能に最も影響を与える生成モデルの特徴を実験的に決定する。
  論文  参考訳（メタデータ） (2022-04-18T22:02:32Z)
• A Stochastic Graph-based Model for the Simulation of SARS-CoV-2 Transmission [0.0]
  本稿では,SARS-CoV-2伝送シミュレーションのためのグラフベースモデルを提案する。 提案手法には,空間モデル,移動モデル,伝播モデルという3つのサブモデルが組み込まれている。
  論文  参考訳（メタデータ） (2021-11-10T16:50:00Z)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)
• Social NCE: Contrastive Learning of Socially-aware Motion Representations [87.82126838588279]
  実験結果から, 提案手法は最近の軌道予測, 行動クローニング, 強化学習アルゴリズムの衝突速度を劇的に低減することがわかった。 本手法は,ニューラルネットワークの設計に関する仮定をほとんど示さないため,神経運動モデルのロバスト性を促進する汎用的手法として使用できる。
  論文  参考訳（メタデータ） (2020-12-21T22:25:06Z)
• Reward Conditioned Neural Movement Primitives for Population Based Variational Policy Optimization [4.559353193715442]
  本稿では,教師あり学習における報酬に基づく政策探索問題について考察する。 本手法は, 最先端のロボット強化学習法と比較して, 学習の進歩と, サンプル効率の大幅な向上を図っている。
  論文  参考訳（メタデータ） (2020-11-09T09:53:37Z)

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。