論文の概要: Regions are Who Walk Them: a Large Pre-trained Spatiotemporal Model
Based on Human Mobility for Ubiquitous Urban Sensing
- arxiv url: http://arxiv.org/abs/2311.10471v1
- Date: Fri, 17 Nov 2023 11:55:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-20 14:56:43.570174
- Title: Regions are Who Walk Them: a Large Pre-trained Spatiotemporal Model
Based on Human Mobility for Ubiquitous Urban Sensing
- Title（参考訳）: 歩行する地域:ユビキタス都市センシングのための人力移動に基づく大規模事前訓練時空間モデル
- Authors: Ruixing Zhang, Liangzhe Han, Leilei Sun, Yunqi Liu, Jibin Wang,
Weifeng Lv
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 24.48869607589127
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: User profiling and region analysis are two tasks of significant commercial
value. However, in practical applications, modeling different features
typically involves four main steps: data preparation, data processing, model
establishment, evaluation, and optimization. This process is time-consuming and
labor-intensive. Repeating this workflow for each feature results in abundant
development time for tasks and a reduced overall volume of task development.
Indeed, human mobility data contains a wealth of information. Several
successful cases suggest that conducting in-depth analysis of population
movement data could potentially yield meaningful profiles about users and
areas. Nonetheless, most related works have not thoroughly utilized the
semantic information within human mobility data and trained on a fixed number
of the regions. To tap into the rich information within population movement,
based on the perspective that Regions Are Who walk them, we propose a large
spatiotemporal model based on trajectories (RAW). It possesses the following
characteristics: 1) Tailored for trajectory data, introducing a GPT-like
structure with a parameter count of up to 1B; 2) Introducing a spatiotemporal
fine-tuning module, interpreting trajectories as collection of users to derive
arbitrary region embedding. This framework allows rapid task development based
on the large spatiotemporal model. We conducted extensive experiments to
validate the effectiveness of our proposed large spatiotemporal model. It's
evident that our proposed method, relying solely on human mobility data without
additional features, exhibits a certain level of relevance in user profiling
and region analysis. Moreover, our model showcases promising predictive
capabilities in trajectory generation tasks based on the current state,
offering the potential for further innovative work utilizing this large
spatiotemporal model.
- Abstract（参考訳）: ユーザプロファイリングと領域分析は、大きな商業価値を持つ2つのタスクである。
しかし、実際的なアプリケーションでは、データ準備、データ処理、モデルの確立、評価、最適化の4つの主要なステップを含む。
このプロセスは時間と労力がかかります。
このワークフローを各機能に繰り返すと、タスクの開発時間が豊富になり、タスク開発全体のボリュームが減少します。
実際、人間の移動データは豊富な情報を含んでいる。
いくつかの成功事例は、人口移動データの詳細な分析を行うことで、ユーザや地域について有意義なプロファイルが得られる可能性を示唆している。
それにもかかわらず、ほとんどの関連研究は、人間の移動データ内の意味情報を十分に活用してはいない。
人口移動における豊かな情報を活用するために,地域を歩むという観点から,トラジェクトリー(RAW)に基づく大規模な時空間モデルを提案する。
以下の特徴を持つ。
1)1Bまでのパラメータを持つGPT様構造を導入し、軌道データを提供する。
2)空間的微調整モジュールの導入は,任意の領域埋め込みを導出するユーザの集合として軌跡を解釈する。
このフレームワークは大規模な時空間モデルに基づく迅速なタスク開発を可能にする。
提案する大規模時空間モデルの有効性を検証するために広範な実験を行った。
提案手法は,追加機能のない移動度データのみに依存しており,ユーザのプロファイリングや領域分析にある程度の妥当性を示すことが判明した。
さらに,現在状態に基づく軌道生成タスクにおいて有望な予測能力を示し,この大規模時空間モデルを活用したさらなる革新的作業の可能性を示す。
関連論文リスト
- DOME: Taming Diffusion Model into High-Fidelity Controllable Occupancy World Model [14.996395953240699]
DOMEは拡散に基づく世界モデルであり、過去の占有観察に基づいて将来の占有枠を予測する。
この世界のモデルが環境の進化を捉える能力は、自動運転の計画に不可欠である。
論文 参考訳（メタデータ） (2024-10-14T12:24:32Z) - A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。
モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。
本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
論文 参考訳（メタデータ） (2024-08-26T17:59:01Z) - Deep Temporal Deaggregation: Large-Scale Spatio-Temporal Generative Models [5.816964541847194]
本稿では,最新技術よりもパフォーマンスとスケールが大幅に向上する時系列の変圧器に基づく拡散モデルTDDPMを提案する。
これは、いくつかのシーケンス長、標準データセット、評価尺度にまたがる新しい包括的なベンチマークで評価される。
論文 参考訳（メタデータ） (2024-06-18T09:16:11Z) - A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。
我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。
本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
論文 参考訳（メタデータ） (2024-04-29T17:19:40Z) - 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) - Large Models for Time Series and Spatio-Temporal Data: A Survey and
Outlook [95.32949323258251]
時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。
大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
論文 参考訳（メタデータ） (2023-10-16T09:06:00Z) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳（メタデータ） (2023-08-24T16:20:00Z) - Context-aware multi-head self-attentional neural network model for next
location prediction [19.640761373993417]
我々は、歴史的位置情報から位置パターンを学習するマルチヘッド自己注意ニューラルネットワーク(A)を利用する。
提案モデルが他の最先端予測モデルより優れていることを示す。
我々は,提案モデルが文脈を考慮した移動予測に不可欠であると信じている。
論文 参考訳（メタデータ） (2022-12-04T23:40:14Z) - 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) - Dataset Cartography: Mapping and Diagnosing Datasets with Training
Dynamics [118.75207687144817]
我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。
私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。
以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-22T20:19:41Z)
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。