Fugu-MT 論文翻訳(概要): Semantic Trajectory Data Mining with LLM-Informed POI Classification

論文の概要: Semantic Trajectory Data Mining with LLM-Informed POI Classification

arxiv url: http://arxiv.org/abs/2405.11715v2
Date: Mon, 19 Aug 2024 19:06:35 GMT
ステータス: 処理完了
システム内更新日: 2024-08-21 19:59:41.024575
Title: Semantic Trajectory Data Mining with LLM-Informed POI Classification
Title（参考訳）: LLMインフォームドPOI分類を用いた意味軌道データマイニング
Authors: Yifan Liu, Chenchen Kuai, Haoxuan Ma, Xishun Liao, Brian Yueshuai He, Jiaqi Ma,
Abstract要約: セマンティック情報を用いた人旅行トラジェクトリマイニングのための新しいパイプラインを提案する。提案手法は,POI分類において93.4%の精度,96.1%のF-1スコア,91.7%の精度,92.3%のF-1スコアを活性推論で達成する。
参考スコア（独自算出の注目度）: 11.90100976089832
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Human travel trajectory mining is crucial for transportation systems, enhancing route optimization, traffic management, and the study of human travel patterns. Previous rule-based approaches without the integration of semantic information show a limitation in both efficiency and accuracy. Semantic information, such as activity types inferred from Points of Interest (POI) data, can significantly enhance the quality of trajectory mining. However, integrating these insights is challenging, as many POIs have incomplete feature information, and current learning-based POI algorithms require the integrity of datasets to do the classification. In this paper, we introduce a novel pipeline for human travel trajectory mining. Our approach first leverages the strong inferential and comprehension capabilities of large language models (LLMs) to annotate POI with activity types and then uses a Bayesian-based algorithm to infer activity for each stay point in a trajectory. In our evaluation using the OpenStreetMap (OSM) POI dataset, our approach achieves a 93.4% accuracy and a 96.1% F-1 score in POI classification, and a 91.7% accuracy with a 92.3% F-1 score in activity inference.
Abstract（参考訳）: ヒトの旅行経路のマイニングは、交通システム、経路最適化、交通管理、そして人間の旅行パターンの研究に不可欠である。従来のルールベースのアプローチでは、セマンティック情報を統合することは効率と正確性の両方に制限がある。 Points of Interest(POI)データから推定される活動タイプのような意味情報は、軌道採掘の質を大幅に向上させることができる。しかし、多くのPOIには不完全な特徴情報があり、現在の学習ベースのPOIアルゴリズムは分類を行うためにデータセットの整合性を必要とするため、これらの洞察を統合することは難しい。本稿では,人体走行軌道採掘のための新しいパイプラインを提案する。提案手法はまず,大規模言語モデル(LLM)の強い推論・理解能力を利用して,活動型を付加したPOIをアノテートする。 OpenStreetMap (OSM) POI データセットを用いた評価では,PAI 分類では 93.4% の精度,96.1% のF-1 スコア,91.7% の精度で 92.3% のF-1 スコアを得た。

関連論文リスト

TISIS : Trajectory Indexing for SImilarity Search [0.7373617024876725]
ソーシャルメディアプラットフォームでは、位置情報データを含むさまざまな種類の情報を共有できる。位置情報データは、ユーザの訪問した関心のポイント(POI)の軌跡を再構築するために利用することができる鍵となる要件は、そのような軌道間の類似度を測定する能力である。
論文参考訳（メタデータ） (2024-09-17T15:57:33Z)
Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文参考訳（メタデータ） (2024-03-21T05:57:27Z)
Optimizing Bus Travel: A Novel Approach to Feature Mining with P-KMEANS and P-LDA Algorithms [12.67101421854941]
本研究では,POI(Point of Interest)データに根ざしたバス走行特徴抽出手法を提案する。本手法は, 年齢, 職業, 性別, スポーツ, コスト, 安全性, 性格特性など, バス旅行の多様な側面をマイニングする。
論文参考訳（メタデータ） (2023-12-04T07:21:27Z)
ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2023-06-16T21:51:04Z)
Masked Path Modeling for Vision-and-Language Navigation [41.7517631477082]
ヴィジュアル・アンド・ランゲージ・ナビゲーション(VLN)エージェントは、自然言語の指示に従うことで現実世界の環境をナビゲートするように訓練されている。以前のアプローチでは、トレーニング中に追加の監督を導入することでこの問題に対処しようと試みていた。本稿では,下流ナビゲーションタスクに自己コンパイルデータを用いてエージェントを事前訓練する,マスク付きパスモデリング(MPM)手法を提案する。
論文参考訳（メタデータ） (2023-05-23T17:20:20Z)
Selective In-Context Data Augmentation for Intent Detection using Pointwise V-Information [100.03188187735624]
PLMとPVI(pointwise V-information)に基づく新しい手法を導入し,モデル学習におけるデータポイントの有用性を計測する。提案手法はまず,学習データの小さなシード上でPLMを微調整し,与えられた意図に対応する発話を新たに生成する。そこで本手法は,大規模言語モデルの表現力を活用し,多様な学習データを生成する。
論文参考訳（メタデータ） (2023-02-10T07:37:49Z)
Improving Few-Shot Generalization by Exploring and Exploiting Auxiliary Data [100.33096338195723]
補助データを用いたFew-shot Learning(FLAD)に焦点を当てる。 FLADは、一般化を改善するために、数ショットの学習中に補助データへのアクセスを前提としている。提案するアルゴリズムは EXP3-FLAD と UCB1-FLAD の2つである。
論文参考訳（メタデータ） (2023-02-01T18:59:36Z)
A Semi-supervised Approach for Activity Recognition from Indoor Trajectory Data [0.822021749810331]
協調生産環境において, 騒音の多い室内軌道データから移動物体の動作を分類する作業について検討する。本稿では,まず情報理論の基準を適用し,長い軌道をセグメントに分割する半教師付き機械学習手法を提案する。セグメントは制約付き階層的クラスタリング法に基づいて自動的にラベル付けされる。
論文参考訳（メタデータ） (2023-01-09T01:20:50Z)
Bi-level Alignment for Cross-Domain Crowd Counting [113.78303285148041]
現在の手法は、補助的なタスクを訓練したり、高価な粗大な見積もりを適用したりするための外部データに依存している。そこで我々は, 簡易かつ効率的に適用可能な, 逆学習に基づく新しい手法を開発した。実世界の5つのクラウドカウントベンチマークに対するアプローチを評価し、既存のアプローチを大きなマージンで上回ります。
論文参考訳（メタデータ） (2022-05-12T02:23:25Z)
PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文参考訳（メタデータ） (2022-04-21T23:01:21Z)
Mobility Inference on Long-Tailed Sparse Trajectory [2.4444287331956898]
大規模トラジェクトリデータにおいて,汎用的な長い尾の空間パターンを利用する単一トラジェクトリ推論アルゴリズムを提案する。このアルゴリズムは、リコールにおける証明可能な低いバウンドで、滞在/旅行推論における100%の精度を保証する。都市ユーザ4000万人を対象とした3つの軌跡データセットによる評価は,提案アルゴリズムの性能保証を検証した。
論文参考訳（メタデータ） (2020-01-21T16:32:38Z)

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。