論文の概要: MobilityGPT: Enhanced Human Mobility Modeling with a GPT model
- arxiv url: http://arxiv.org/abs/2402.03264v1
- Date: Mon, 5 Feb 2024 18:22:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 14:19:04.727402
- Title: MobilityGPT: Enhanced Human Mobility Modeling with a GPT model
- Title(参考訳): MobilityGPT: GPTモデルによる強化された人体モビリティモデリング
- Authors: Ammar Haydari, Dongjie Chen, Zhengfeng Lai, Chen-Nee Chuah
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 8.405728339126005
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative models have shown promising results in capturing human mobility
characteristics and generating synthetic trajectories. However, it remains
challenging to ensure that the generated geospatial mobility data is
semantically realistic, including consistent location sequences, and reflects
real-world characteristics, such as constraining on geospatial limits. To
address these issues, we reformat human mobility modeling as an autoregressive
generation task, leveraging Generative Pre-trained Transformer (GPT). To ensure
its controllable generation to alleviate the above challenges, we propose a
geospatially-aware generative model, MobilityGPT. We propose a gravity-based
sampling method to train a transformer for semantic sequence similarity. Then,
we constrained the training process via a road connectivity matrix that
provides the connectivity of sequences in trajectory generation, thereby
keeping generated trajectories in geospatial limits. Lastly, we constructed a
Reinforcement Learning from Trajectory Feedback (RLTF) to minimize the travel
distance between training and the synthetically generated trajectories. Our
experiments on real-world datasets demonstrate that MobilityGPT outperforms
state-of-the-art methods in generating high-quality mobility trajectories that
are closest to real data in terms of origin-destination similarity, trip
length, travel radius, link, and gravity distributions.
- Abstract(参考訳): 生成モデルは、人間の移動特性を捉え、合成軌道を生成する有望な結果を示している。
しかし、生成した地理空間移動データが一貫した位置列を含む意味的に現実的であることを保証することは依然として困難であり、地理空間制限の制約のような現実世界の特徴を反映している。
これらの問題に対処するために,我々は,自動回帰生成タスクとしてヒューマンモビリティモデリングを再構成し,生成前訓練トランスフォーマー(gpt)を活用する。
上記の課題を緩和するための制御可能な世代を確保するため,地理空間認識型生成モデル mobilitygpt を提案する。
意味的シーケンス類似性のためにトランスフォーマを訓練するための重力に基づくサンプリング法を提案する。
次に、軌道生成におけるシーケンスの接続を提供する道路接続行列を介してトレーニングプロセスを制約し、生成した軌道を空間的限界に保持した。
最後に,軌道フィードバック(rltf)から強化学習を行い,訓練と合成生成軌跡間の移動距離を最小化した。
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は実データに最も近い高品位モビリティトラジェクタの生成において,原点・運命の類似性,旅行距離,旅行半径,リンク,重力分布において最先端の手法よりも優れていることが示された。
関連論文リスト
- COLA: Cross-city Mobility Transformer for Human Trajectory Simulation [44.157114416533915]
モデル非依存転送フレームワークを用いた都市間mObiLity trAnsformer (COLA) を開発した。
COLAはトランスフォーマーを、都市固有の特性のためのプライベートモジュールと、都市・ユニバーサルモビリティパターンのための共有モジュールに分割する。
実装された都市間ベースラインは,その優位性と有効性を示している。
論文 参考訳(メタデータ) (2024-03-04T07:45:29Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳(メタデータ) (2024-02-19T15:57:39Z) - Beyond Imitation: Generating Human Mobility from Context-aware Reasoning
with Large Language Models [21.745981410903845]
本稿では,移動行動を促す新しいモビリティ生成・アズ・ア・推論(MobiGeaR)フレームワークを提案する。
MobiGeaRはすべてのメトリクスで最先端のパフォーマンスを実現し、同時にトレーニングサンプルのサイズを大幅に削減します。
論文 参考訳(メタデータ) (2024-02-15T09:58:23Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳(メタデータ) (2023-11-02T16:45:25Z) - Latent Traversals in Generative Models as Potential Flows [113.4232528843775]
我々は,学習された動的ポテンシャルランドスケープを持つ潜在構造をモデル化することを提案する。
物理、最適輸送、神経科学にインスパイアされたこれらの潜在的景観は、物理的に現実的な偏微分方程式として学習される。
本手法は,最先端のベースラインよりも定性的かつ定量的に歪んだ軌跡を実現する。
論文 参考訳(メタデータ) (2023-04-25T15:53:45Z) - DiffTraj: Generating GPS Trajectory with Diffusion Probabilistic Model [44.490978394267195]
軌道生成のための時空間確率モデル(DiffTraj)を提案する。
中心となる考え方は、逆軌道分解過程を通じて白いノイズから地理的軌跡を再構成し、合成することである。
2つの実世界のデータセットの実験により、DiffTrajは直感的に高忠実な軌道を生成することができることが示された。
論文 参考訳(メタデータ) (2023-04-23T08:42:45Z) - Continuous Trajectory Generation Based on Two-Stage GAN [50.55181727145379]
本稿では,道路網上の連続軌道を生成するために,新たな2段階生成対向フレームワークを提案する。
具体的には、A*アルゴリズムの人間の移動性仮説に基づいてジェネレータを構築し、人間の移動性について学習する。
判別器では, 逐次報酬と移動ヤウ報酬を組み合わせることで, 発電機の有効性を高める。
論文 参考訳(メタデータ) (2023-01-16T09:54:02Z) - Safety-compliant Generative Adversarial Networks for Human Trajectory
Forecasting [95.82600221180415]
群衆における人間予測は、社会的相互作用をモデル化し、衝突のないマルチモーダル分布を出力するという課題を提示する。
SGANv2は、動き時間相互作用モデリングと変圧器に基づく識別器設計を備えた安全に配慮したSGANアーキテクチャである。
論文 参考訳(メタデータ) (2022-09-25T15:18:56Z) - TrajGen: Generating Realistic and Diverse Trajectories with Reactive and
Feasible Agent Behaviors for Autonomous Driving [19.06020265777298]
既存のシミュレーターは、背景車両のシステムに基づく行動モデルに依存しており、現実のシナリオにおける複雑なインタラクティブな振る舞いを捉えることはできない。
そこで我々は,人間の実演からより現実的な行動を直接捉えることができる2段階の軌道生成フレームワークであるTrajGenを提案する。
また,データ駆動型シミュレータI-Simを開発した。
論文 参考訳(メタデータ) (2022-03-31T04:48:29Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳(メタデータ) (2020-09-21T13:57:10Z)
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。