論文の概要: GeoFormer: Predicting Human Mobility using Generative Pre-trained
Transformer (GPT)
- arxiv url: http://arxiv.org/abs/2311.05092v1
- Date: Thu, 9 Nov 2023 01:50:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-10 16:18:07.128906
- Title: GeoFormer: Predicting Human Mobility using Generative Pre-trained
Transformer (GPT)
- Title(参考訳): geoformer: 生成プリトレーニングトランス(gpt)による人間の移動予測
- Authors: Aivin V. Solatorio
- Abstract要約: 提案するGeoFormerは,GPTアーキテクチャを応用したデコーダのみのトランスフォーマーモデルである。
提案したモデルは,HuMob Challenge 2023の文脈で厳密に検証されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Predicting human mobility holds significant practical value, with
applications ranging from enhancing disaster risk planning to simulating
epidemic spread. In this paper, we present the GeoFormer, a decoder-only
transformer model adapted from the GPT architecture to forecast human mobility.
Our proposed model is rigorously tested in the context of the HuMob Challenge
2023 -- a competition designed to evaluate the performance of prediction models
on standardized datasets to predict human mobility. The challenge leverages two
datasets encompassing urban-scale data of 25,000 and 100,000 individuals over a
longitudinal period of 75 days. GeoFormer stands out as a top performer in the
competition, securing a place in the top-3 ranking. Its success is underscored
by performing well on both performance metrics chosen for the competition --
the GEO-BLEU and the Dynamic Time Warping (DTW) measures. The performance of
the GeoFormer on the HuMob Challenge 2023 underscores its potential to make
substantial contributions to the field of human mobility prediction, with
far-reaching implications for disaster preparedness, epidemic control, and
beyond.
- Abstract(参考訳): ヒューマンモビリティの予測は、災害リスク計画の強化から流行拡大のシミュレーションまで、大きな実用的価値を持っている。
本稿では,GPTアーキテクチャを応用したデコーダのみのトランスモデルであるGeoFormerについて述べる。
提案するモデルは、標準化データセット上での予測モデルのパフォーマンスを評価し、人の移動性を予測するために設計された競争であるhumob challenge 2023の文脈で厳格にテストされています。
この課題は、75日間の期間に25,000人から10万人の都市規模のデータを含む2つのデータセットを活用する。
geoformerはコンテストでトップパフォーマーとして際立っており、上位3位にランクインしている。
その成功は、GEO-BLEU と Dynamic Time Warping (DTW) の2つの競合で選択されたパフォーマンス指標でよく評価されている。
humob challenge 2023でのジオフォーマーの性能は、災害対応、流行対策など、広範囲にわたる影響とともに、人間の移動予測の分野に多大な貢献をする可能性を強調している。
関連論文リスト
- MobilityGPT: Enhanced Human Mobility Modeling with a GPT model [8.405728339126005]
我々は、GPT(Generative Pre-trained Transformer)を活用して、自己回帰生成タスクとしての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を用いた実験により、モビリティGPTは高品質なモビリティ・トラジェクトリを生成する上で最先端の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2024-02-05T18:22:21Z) - Adaptive Human Trajectory Prediction via Latent Corridors [53.67166824262205]
シーン固有の適応軌道予測の問題を定式化する。
本稿では,潜伏回廊と呼ばれる即時チューニングにインスパイアされた新しい適応手法を提案する。
0.1%の追加モデルパラメータでは、MOTシンスシミュレーションデータの改善が23.9%、MOTおよびワイルドトラックにおけるADEが16.4%となる。
論文 参考訳(メタデータ) (2023-12-11T18:59:12Z) - Personalized human mobility prediction for HuMob challenge [5.2644689135150085]
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。
論文 参考訳(メタデータ) (2023-10-19T16:52:12Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Collision Avoidance Detour for Multi-Agent Trajectory Forecasting [8.680676599607123]
2023年のオープンデータセットチャレンジ - Sim Agentsで3位を獲得したCollision Avoidance Detour(CAD)を紹介します。
動作予測因子化の要件を満たすため,有効な対象を,自律走行車(ADV),ワールドトラック・トゥ・予測,ワールドトラックの3つの排他的セットに分割する。
論文 参考訳(メタデータ) (2023-06-20T16:05:24Z) - STORM-GAN: Spatio-Temporal Meta-GAN for Cross-City Estimation of Human
Mobility Responses to COVID-19 [17.611056163940404]
我々は, 都市間移動度推定問題に, 深層メタジェネレーション・フレームワークを用いて取り組む試みを初めて行った。
S-Temporal Meta-Generative Adrial Network (STORM-GAN) モデルを提案する。
提案手法は推定性能を大幅に向上し,性能が向上することを示す。
論文 参考訳(メタデータ) (2023-01-20T15:55:41Z) - Forecasting Future World Events with Neural Networks [68.43460909545063]
Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。
ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。
予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
論文 参考訳(メタデータ) (2022-06-30T17:59:14Z) - 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) - Traffic4cast at NeurIPS 2021 -- Temporal and Spatial Few-Shot Transfer
Learning in Gridded Geo-Spatial Processes [61.16854022482186]
NeurIPS 2019と2020のIARAI Traffic4castコンペティションでは、ニューラルネットワークが将来の交通条件を1時間以内に予測することに成功した。
U-Netsは、この複雑な現実世界の地理空間的プロセスにおいて、関連する特徴を抽出する能力を実証し、勝利したアーキテクチャであることが証明された。
コンペティションは2年間で10都市をカバーし、1012以上のGPSプローブデータから収集したデータを提供する。
論文 参考訳(メタデータ) (2022-03-31T14:40:01Z) - Transformer based trajectory prediction [71.31516599226606]
我々は、トランスフォーマーニューラルネットワークを純粋にベースとした、不確実性を考慮した動き予測のための、単純かつ強力なベースラインを提案する。
実装が容易である一方で、提案手法は競争性能を達成し、2021年のシフト車両運動予測コンペティションで1$st$をランク付けする。
論文 参考訳(メタデータ) (2021-12-08T16:00:14Z)
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。