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

• 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)
• 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)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• 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)
• 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)
• 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。