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

• Reconstructing Human Mobility Pattern: A Semi-Supervised Approach for Cross-Dataset Transfer Learning [10.864774173935535]
  セマンティック・アクティビティ・チェーンに着目し,人間のモビリティ・パターンを再構築し,学習するモデルを開発した。 本稿では,多様な地理的文脈にモデルを適応させるために,半教師付き反復移動学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:29:56Z)
• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• ControlTraj: Controllable Trajectory Generation with Topology-Constrained Diffusion Model [39.0442700565278]
  ControlTrajは、トポロジ制約付き拡散モデルを備えた、制御可能なトラジェクトリ生成フレームワークである。 道路セグメントの微細な埋め込みを抽出する新しい道路セグメントオートエンコーダを開発した。 符号化された特徴とトリップ属性は、後に提案された地理的なUNetアーキテクチャにマージされる。
  論文  参考訳（メタデータ） (2024-04-23T09:42:45Z)
• 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)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• 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。