論文の概要: Spatial-Temporal Interplay in Human Mobility: A Hierarchical Reinforcement Learning Approach with Hypergraph Representation

• arxiv url: http://arxiv.org/abs/2312.15717v1
• Date: Mon, 25 Dec 2023 13:00:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-27 16:39:53.433227
• Title: Spatial-Temporal Interplay in Human Mobility: A Hierarchical Reinforcement Learning Approach with Hypergraph Representation
• Title（参考訳）: 人体移動における空間的時間的相互作用:ハイパーグラフ表現を用いた階層的強化学習アプローチ
• Authors: Zhaofan Zhang, Yanan Xiao, Lu Jiang, Dingqi Yang, Minghao Yin, Pengyang Wang
• Abstract要約: STI-HRLフレームワークは、人間の移動意思決定における空間的要因と時間的要因の相互作用を捉えている。 階層的決定設定を補完するため,過去のデータを整理するハイパーグラフを構築した。 実世界の2つのデータセットに対する実験は、ユーザの次の訪問を予測するための最先端手法よりもSTI-HRLの方が優れていることを検証した。
• 参考スコア（独自算出の注目度）: 25.26148307071171
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the realm of human mobility, the decision-making process for selecting the next-visit location is intricately influenced by a trade-off between spatial and temporal constraints, which are reflective of individual needs and preferences. This trade-off, however, varies across individuals, making the modeling of these spatial-temporal dynamics a formidable challenge. To address the problem, in this work, we introduce the "Spatial-temporal Induced Hierarchical Reinforcement Learning" (STI-HRL) framework, for capturing the interplay between spatial and temporal factors in human mobility decision-making. Specifically, STI-HRL employs a two-tiered decision-making process: the low-level focuses on disentangling spatial and temporal preferences using dedicated agents, while the high-level integrates these considerations to finalize the decision. To complement the hierarchical decision setting, we construct a hypergraph to organize historical data, encapsulating the multi-aspect semantics of human mobility. We propose a cross-channel hypergraph embedding module to learn the representations as the states to facilitate the decision-making cycle. Our extensive experiments on two real-world datasets validate the superiority of STI-HRL over state-of-the-art methods in predicting users' next visits across various performance metrics.
• Abstract（参考訳）: 人間の移動の領域において、次の訪問場所を選択する意思決定プロセスは、個人のニーズや嗜好を反映した空間的制約と時間的制約のトレードオフによって複雑に影響を受ける。 しかし、このトレードオフは個人によって異なり、空間-時間ダイナミクスのモデリングは大きな課題となっている。 そこで本研究では,人間の移動意思決定における空間的要因と時間的要因の相互作用を捉えるための,空間的時間的階層的強化学習(STI-HRL)フレームワークを提案する。 特に、STI-HRLは2段階の意思決定プロセスを採用しており、低レベルは専用のエージェントを使用して空間的および時間的嗜好を分離することに焦点を当てている。 階層的意思決定を補完するために,人間移動のマルチスペクトルセマンティクスをカプセル化し,履歴データを整理するハイパーグラフを構築する。 本稿では,意思決定サイクルを容易にするために,表現を状態として学習するクロスチャネルハイパーグラフ埋め込みモジュールを提案する。 2つの実世界のデータセットに関する広範な実験により,sti-hrlが最先端の手法よりも優れていることが検証された。

関連論文リスト

• Graph Masked Autoencoder for Spatio-Temporal Graph Learning [38.085962443141206]
  都市センシングの分野では,交通分析,人体移動評価,犯罪予測において,効果的な時間的予測の枠組みが重要な役割を担っている。 空間的および時間的データにデータノイズと空間性が存在することは、ロバスト表現を学習する上で、既存のニューラルネットワークモデルにとって大きな課題となる。 実効時間データ拡張のための新しい自己教師型学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-10-14T07:33:33Z)
• Spatial-Temporal Cross-View Contrastive Pre-training for Check-in Sequence Representation Learning [21.580705078081078]
  本稿では,チェックインシーケンス表現学習のための空間-時間的クロスビューコントラスト表現(ST CCR)フレームワークを提案する。 ST CCRは「空間的話題」と「時間的意図」の視点から自己スーパービジョンを採用し、意味レベルでの空間的情報と時間的情報の効果的な融合を促進する。 実世界の3つのデータセット上でST CCRを広範囲に評価し、3つの下流タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-22T10:20:34Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Spatiotemporal-Augmented Graph Neural Networks for Human Mobility Simulation [35.89805766554052]
  本稿では,SRpatio-Augmented gaph Neural Network という,位置の動的時間的効果をモデル化する新しいフレームワークを提案する。 STARフレームワークは、行動対応を捉えるために様々な時間グラフを設計し、異なる場所の居住地をシミュレートする新しいブランチを構築し、最終的にその期間を逆向きに最適化する。
  論文  参考訳（メタデータ） (2023-06-15T11:47:45Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)
• Predicting Human Mobility via Self-supervised Disentanglement Learning [21.61423193132924]
  本稿では,次のPOI予測問題に対処するため,SSDLと呼ばれる新しい解を提案する。 本研究では,人間の本質的な周期性と常に変化する意図の理解を高めるために,二つの現実的な軌道拡張手法を提案する。 4つの実世界のデータセットで実施された大規模な実験により、提案したSSDLは最先端のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-17T16:17:22Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。