論文の概要: Evaluating geospatial context information for travel mode detection
- arxiv url: http://arxiv.org/abs/2305.19428v1
- Date: Tue, 30 May 2023 21:49:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-01 19:27:38.079954
- Title: Evaluating geospatial context information for travel mode detection
- Title（参考訳）: 旅行モード検出のための地理空間コンテキスト情報の評価
- Authors: Ye Hong, Emanuel St\"udeli, Martin Raubal
- Abstract要約: 本研究では,移動モード検出のための地理空間的コンテキスト情報の寄与を評価するための分析パイプラインを提案する。
本報告では,鉄道や道路網との距離など,インフラネットワークとの関係を記述した特徴が,モデルの予測に大きく寄与している。
最終的に、地理空間のコンテキストが、異なる移動モードの識別に異なる貢献をしていることが明らかとなった。
- 参考スコア（独自算出の注目度）: 4.713885881758619
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Detecting travel modes from global navigation satellite system (GNSS)
trajectories is essential for understanding individual travel behaviour and a
prerequisite for achieving sustainable transport systems. While studies have
acknowledged the benefits of incorporating geospatial context information into
travel mode detection models, few have summarized context modelling approaches
and analyzed the significance of these context features, hindering the
development of an efficient model. Here, we identify context representations
from related work and propose an analytical pipeline to assess the contribution
of geospatial context information for travel mode detection based on a random
forest model and the SHapley Additive exPlanation (SHAP) method. Through
experiments on a large-scale GNSS tracking dataset, we report that features
describing relationships with infrastructure networks, such as the distance to
the railway or road network, significantly contribute to the model's
prediction. Moreover, features related to the geospatial point entities help
identify public transport travel, but most land-use and land-cover features
barely contribute to the task. We finally reveal that geospatial contexts have
distinct contributions in identifying different travel modes, providing
insights into selecting appropriate context information and modelling
approaches. The results from this study enhance our understanding of the
relationship between movement and geospatial context and guide the
implementation of effective and efficient transport mode detection models.
- Abstract（参考訳）: 地球航法衛星システム(GNSS)軌道から旅行モードを検出することは、個々の旅行行動を理解する上で不可欠であり、持続可能な輸送システムを実現するための前提条件である。
地理空間的コンテキスト情報を旅行モード検出モデルに組み込むことの利点を認めているが、文脈モデリングアプローチを要約し、これらのコンテキスト特徴の意義を分析し、効率的なモデルの開発を妨げるものはほとんどない。
本稿では,関連する作業から文脈表現を同定し,ランダムフォレストモデルとシャプリー加法(shap)法に基づいて,旅行モード検出のための地理空間的コンテキスト情報の寄与度を評価する解析パイプラインを提案する。
大規模GNSS追跡データセットの実験を通じて,鉄道や道路ネットワークとの距離などのインフラストラクチャネットワークとの関係を記述した特徴が,モデルの予測に大きく寄与していることを報告する。
さらに、地理空間的要素に関連する特徴は公共交通機関の移動を識別するのに役立つが、土地利用と土地被覆のほとんどの特徴はこのタスクにはほとんど寄与しない。
地理空間的コンテキストは、異なる移動モードを識別し、適切なコンテキスト情報の選択とモデリングアプローチに関する洞察を提供する上で、異なる貢献をすることを明らかにした。
本研究は,移動と地理空間的文脈の関係の理解を深め,効果的かつ効率的な移動モード検出モデルの実装を導くものである。
関連論文リスト
- Context-Enhanced Multi-View Trajectory Representation Learning: Bridging the Gap through Self-Supervised Models [27.316692263196277]
MVTrajは、軌道表現学習のための新しい多視点モデリング手法である。
GPSから道路網、関心点まで多様な文脈知識を統合し、軌跡データのより包括的な理解を提供する。
実世界のデータセットに対する大規模な実験により、MVTrajは様々な空間ビューに関連するタスクにおいて、既存のベースラインを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-10-17T03:56:12Z) - Trajectory Anomaly Detection with Language Models [21.401931052512595]
本稿では,自己回帰因果アテンションモデル(LM-TAD)を用いた軌道異常検出のための新しい手法を提案する。
トラジェクトリをトークンの列として扱うことにより、トラジェクトリ上の確率分布を学習し、高精度な異常位置の同定を可能にする。
本実験は, 合成および実世界の両方のデータセットに対するLM-TADの有効性を実証した。
論文 参考訳（メタデータ） (2024-09-18T17:33:31Z) - Heterogeneous Graph Neural Networks with Post-hoc Explanations for Multi-modal and Explainable Land Use Inference [11.753345219488745]
本稿では、異種グラフニューラルネットワーク(HGN)と説明可能なAI技術を組み合わせた土地利用推定のための説明可能なフレームワークを提案する。
実験により、提案したHGNは6つの土地利用指標すべてに対して、ベースライングラフニューラルネットワークを著しく上回っていることが示された。
これらの分析は,提案したHGNが都市計画や政策立案において,都市利害関係者を適切に支援できることを示した。
論文 参考訳（メタデータ） (2024-06-19T17:39:10Z) - GOMAA-Geo: GOal Modality Agnostic Active Geo-localization [49.599465495973654]
エージェントが空中ナビゲーション中に観測された一連の視覚的手がかりを用いて、複数の可能なモダリティによって特定されたターゲットを見つけるという、アクティブなジオローカライゼーション(AGL)の課題を考察する。
GOMAA-Geo は、ゴールモダリティ間のゼロショット一般化のためのゴールモダリティアクティブなジオローカライゼーションエージェントである。
論文 参考訳（メタデータ） (2024-06-04T02:59:36Z) - BEVBert: Multimodal Map Pre-training for Language-guided Navigation [75.23388288113817]
視覚・言語ナビゲーション(VLN)における空間認識型マップベース事前学習パラダイムを提案する。
我々は,グローバルなトポロジカルマップにおけるナビゲーション依存性をモデル化しながら,不完全な観測を明示的に集約し,重複を取り除くための局所距離マップを構築した。
ハイブリッドマップをベースとして,マルチモーダルマップ表現を学習するための事前学習フレームワークを考案し,空間認識型クロスモーダル推論を強化し,言語誘導ナビゲーションの目標を導出する。
論文 参考訳（メタデータ） (2022-12-08T16:27:54Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳（メタデータ） (2022-11-04T09:58:57Z) - RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent
Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。
実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文 参考訳（メタデータ） (2022-07-16T12:40:17Z) - A semi-supervised geometric-driven methodology for supervised fishing
activity detection on multi-source AIS tracking messages [11.969292109862856]
本稿では,AISデータから漁業活動を検出するための幾何学的半教師付きアプローチを提案する。
船舶経路の形状を記述する特徴を抽出するために,メッセージに含まれる情報を探索する方法を示す。
AISデータストリーム上のリカレントニューラルネットワークを用いて,50種類の漁船の全航路におけるF$スコアの約87%を網羅した解を提案する。
論文 参考訳（メタデータ） (2022-07-12T13:17:37Z) - Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust
Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。
CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。
実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文 参考訳（メタデータ） (2021-11-30T04:30:10Z) - Object Goal Navigation using Goal-Oriented Semantic Exploration [98.14078233526476]
本研究は,未確認環境における対象カテゴリーのインスタンスにナビゲートするオブジェクトゴールナビゲーションの問題を研究する。
本稿では,表層的なセマンティックマップを構築し,効率的に環境を探索する「ゴール指向セマンティック探索」というモジュールシステムを提案する。
論文 参考訳（メタデータ） (2020-07-01T17:52:32Z) - Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。
重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。
本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
論文 参考訳（メタデータ） (2020-05-04T17:45:18Z)
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。