論文の概要: Personalized human mobility prediction for HuMob challenge
- arxiv url: http://arxiv.org/abs/2310.12900v1
- Date: Thu, 19 Oct 2023 16:52:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-20 14:04:12.264097
- Title: Personalized human mobility prediction for HuMob challenge
- Title(参考訳): HuMobチャレンジのためのパーソナライズされた人間移動予測
- Authors: Masahiro Suzuki, Shomu Furuta, Yusuke Fukazawa
- Abstract要約: 本稿では,人間移動予測のためのデータ分析コンペであるHuMob Challengeに提出したデータ作成手法について説明する。
本研究では,個人の行動軌跡をデータから予測するパーソナライズされたモデルを採用した。
パーソナライズされたモデルの伝統的な特徴工学アプローチにもかかわらず、このモデルは計算コストを低くして合理的に優れた精度が得られる。
- 参考スコア(独自算出の注目度): 5.2644689135150085
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We explain the methodology used to create the data submitted to HuMob
Challenge, a data analysis competition for human mobility prediction. We
adopted a personalized model to predict the individual's movement trajectory
from their data, instead of predicting from the overall movement, based on the
hypothesis that human movement is unique to each person. We devised the
features such as the date and time, activity time, days of the week, time of
day, and frequency of visits to POI (Point of Interest). As additional
features, we incorporated the movement of other individuals with similar
behavior patterns through the employment of clustering. The machine learning
model we adopted was the Support Vector Regression (SVR). We performed accuracy
through offline assessment and carried out feature selection and parameter
tuning. Although overall dataset provided consists of 100,000 users trajectory,
our method use only 20,000 target users data, and do not need to use other
80,000 data. Despite the personalized model's traditional feature engineering
approach, this model yields reasonably good accuracy with lower computational
cost.
- Abstract(参考訳): 本稿では,人間移動予測のためのデータ分析コンペであるHuMob Challengeに提出したデータ作成手法について説明する。
本研究では,個人の運動軌跡を予測するためのパーソナライズドモデルを採用し,個人の行動は個人に固有のものであるという仮説に基づいて,全体の動きから予測するのではなく,個人データから個人の動き軌跡を予測する。
我々は,日時,活動時間,週日,日時,POI訪問頻度などの特徴を考案した。
付加的な特徴として,クラスタリングの活用を通じて,類似の行動パターンを持つ他者の運動を取り入れた。
私たちが採用した機械学習モデルは、Support Vector Regression(SVR)です。
オフライン評価を行い,特徴選択とパラメータチューニングを行った。
提供される全体のデータセットは10万のユーザ軌道で構成されていますが、我々の方法は2万のユーザデータしか使用していません。
パーソナライズされたモデルの伝統的な特徴工学アプローチにもかかわらず、このモデルは計算コストを低くして合理的に優れた精度が得られる。
関連論文リスト
- Multi-Transmotion: Pre-trained Model for Human Motion Prediction [68.87010221355223]
マルチトランスモーション(Multi-Transmotion)は、モダリティ事前トレーニング用に設計された革新的なトランスフォーマーベースのモデルである。
提案手法は,下流タスクにおける各種データセット間の競合性能を示す。
論文 参考訳(メタデータ) (2024-11-04T23:15:21Z) - Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳(メタデータ) (2024-09-10T07:34:19Z) - Humanoid Locomotion as Next Token Prediction [84.21335675130021]
我々のモデルは感覚運動軌道の自己回帰予測によって訓練された因果変換器である。
われわれのモデルでは、フルサイズのヒューマノイドがサンフランシスコでゼロショットで歩けることが示されている。
われわれのモデルは、わずか27時間の歩行データで訓練された場合でも現実世界に移行でき、後方歩行のような訓練中に見えないコマンドを一般化することができる。
論文 参考訳(メタデータ) (2024-02-29T18:57:37Z) - Personalized Pose Forecasting [28.46838162184121]
本研究では,人間の動作予測問題を再構築し,モデルに依存しないパーソナライズ手法を提案する。
低パラメトリック時系列解析モデルを用いて、動き予測パーソナライズを効率的にオンラインで行うことができる。
論文 参考訳(メタデータ) (2023-12-06T14:43:38Z) - 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) - EAMDrift: An interpretable self retrain model for time series [0.0]
EAMDrift(EAMDrift)は、複数の個人予測器から予測を合成し、性能指標に従って予測を重み付けする新しい手法である。
EAMDriftはデータのアウト・オブ・ディストリビューションパターンに自動的に適応し、各瞬間に使用する最も適切なモデルを特定するように設計されている。
本研究は,EAMDriftが個々のベースラインモデルより20%優れ,非解釈可能なアンサンブルモデルに匹敵する精度が得られることを示す。
論文 参考訳(メタデータ) (2023-05-31T13:25:26Z) - 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) - Synthetic Model Combination: An Instance-wise Approach to Unsupervised
Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。
専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文 参考訳(メタデータ) (2022-10-11T10:20:31Z) - 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) - Motion Prediction Using Temporal Inception Module [96.76721173517895]
人間の動作を符号化するTIM(Temporal Inception Module)を提案する。
本フレームワークは,異なる入力長に対して異なるカーネルサイズを用いて,畳み込み層を用いて入力埋め込みを生成する。
標準的な動き予測ベンチマークデータセットであるHuman3.6MとCMUのモーションキャプチャデータセットの実験結果から,我々の手法は一貫して技術手法の状態を上回ります。
論文 参考訳(メタデータ) (2020-10-06T20:26:01Z)
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。