論文の概要: Deep Activity Model: A Generative Approach for Human Mobility Pattern Synthesis

• arxiv url: http://arxiv.org/abs/2405.17468v1
• Date: Fri, 24 May 2024 02:04:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-30 00:10:18.973734
• Title: Deep Activity Model: A Generative Approach for Human Mobility Pattern Synthesis
• Title（参考訳）: 深層活動モデル:人間の移動パターン合成のための生成的アプローチ
• Authors: Xishun Liao, Brian Yueshuai He, Qinhua Jiang, Chenchen Kuai, Jiaqi Ma,
• Abstract要約: 我々は,ユビキタスおよびオープンソースデータを用いて,人間の移動性モデリングと合成のための新しい生成的深層学習手法を開発した。 このモデルは、アメリカ合衆国全国のデータセットで評価され、そこでは、基底の真理分布に密接に従う活動連鎖の生成において、優れた性能を示す。 この革新的なアプローチは、特に下流のアクティビティに基づくモビリティ・シミュレーションモデルの入力として人間のアクティビティ・チェーンの生成において、モビリティ・モデリング研究を前進させる大きな可能性を秘めている。
• 参考スコア（独自算出の注目度）: 5.726832043088452
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Human mobility significantly impacts various aspects of society, including transportation, urban planning, and public health. The increasing availability of diverse mobility data and advancements in deep learning have revolutionized mobility modeling. Existing deep learning models, however, mainly study spatio-temporal patterns using trajectories and often fall short in capturing the underlying semantic interdependency among activities. Moreover, they are also constrained by the data source. These two factors thereby limit their realism and adaptability, respectively. Meanwhile, traditional activity-based models (ABMs) in transportation modeling rely on rigid assumptions and are costly and time-consuming to calibrate, making them difficult to adapt and scale to new regions, especially those regions with limited amount of required conventional travel data. To address these limitations, we develop a novel generative deep learning approach for human mobility modeling and synthesis, using ubiquitous and open-source data. Additionally, the model can be fine-tuned with local data, enabling adaptable and accurate representations of mobility patterns across different regions. The model is evaluated on a nationwide dataset of the United States, where it demonstrates superior performance in generating activity chains that closely follow ground truth distributions. Further tests using state- or city-specific datasets from California, Washington, and Mexico City confirm its transferability. This innovative approach offers substantial potential to advance mobility modeling research, especially in generating human activity chains as input for downstream activity-based mobility simulation models and providing enhanced tools for urban planners and policymakers.
• Abstract（参考訳）: 人間の移動性は交通、都市計画、公衆衛生など社会の様々な側面に大きな影響を及ぼす。 多様なモビリティデータの増加とディープラーニングの進歩は、モビリティモデリングに革命をもたらした。 しかし、既存のディープラーニングモデルは、主に軌跡を用いた時空間パターンの研究であり、活動間の意味的相互依存を捉えるのに不足することが多い。 さらに、これらはデータソースによって制約される。 これらの2つの要因はそれぞれ、現実主義と適応性を制限する。 一方、交通モデルにおける従来の活動ベースモデル(ABM)は、厳密な仮定に依存しており、キャリブレーションに費用と時間を要するため、特に必要な旅行データが少ない地域において、新しい地域への適応とスケールが困難である。 これらの制約に対処するため、ユビキタスおよびオープンソースデータを用いて、人間のモビリティモデリングと合成のための新しい生成的深層学習手法を開発した。 さらに、モデルはローカルデータで微調整することができ、異なる領域にわたるモビリティパターンの適応性と正確な表現を可能にする。 このモデルは、アメリカ合衆国全国のデータセットで評価され、そこでは、基底の真理分布に密接に従う活動連鎖の生成において、優れた性能を示す。 カリフォルニア州、ワシントン州、メキシコシティの州または市固有のデータセットを使用したさらなるテストは、その転送可能性を確認している。 この革新的なアプローチは、特に下流のアクティビティに基づくモビリティシミュレーションモデルの入力として人間の活動連鎖を発生させ、都市プランナーや政策立案者のために強化されたツールを提供することにおいて、モビリティモデリング研究を前進させる大きな可能性を秘めている。

関連論文リスト

• Multi-Transmotion: Pre-trained Model for Human Motion Prediction [68.87010221355223]
  マルチトランスモーション(Multi-Transmotion)は、モダリティ事前トレーニング用に設計された革新的なトランスフォーマーベースのモデルである。 提案手法は,下流タスクにおける各種データセット間の競合性能を示す。
  論文  参考訳（メタデータ） (2024-11-04T23:15:21Z)
• 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)
• Human Mobility Modeling with Limited Information via Large Language Models [11.90100976089832]
  本稿では,人間の移動性モデリングフレームワークであるLLM(Large Language Model)を提案する。 提案手法は,詳細な移動統計データへの依存を著しく低減する。 NHTSとSCAG-ABMのデータセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2024-09-26T03:07:32Z)
• Urban Mobility Assessment Using LLMs [19.591156495742922]
  本研究は,大規模言語モデル(LLM)を推進し,旅行調査を合成する,革新的なAIベースのアプローチを提案する。 本研究は, 異なるレベルの既存調査データと比較し, 全米各都市圏におけるこのアプローチの有効性について検討した。
  論文  参考訳（メタデータ） (2024-08-22T19:17:33Z)
• Be More Real: Travel Diary Generation Using LLM Agents and Individual Profiles [21.72229002939936]
  本研究では,現実の文脈に応じたリアルな軌跡を生成するためのエージェントベースフレームワーク(MobAgent)を提案する。 当フレームワークを0.2万回の旅行調査データで検証し,個人化された正確な旅行日記を作成する上での有効性を実証した。 本研究は、実世界の移動データを通して、人間の移動性に関する詳細かつ洗練された理解を提供するLLMの能力を強調した。
  論文  参考訳（メタデータ） (2024-07-10T09:11:57Z)
• Modeling Large-Scale Walking and Cycling Networks: A Machine Learning Approach Using Mobile Phone and Crowdsourced Data [0.0]
  オーストラリア,ニューサウスウェールズ州の大規模地域ネットワークを横断する日中歩行量とサイクリング量を推定するための機械学習に基づくモデリング手法を開発し,適用した。 この研究では、モデルトレーニング、テスト、推論の3つの側面すべてに関連する、ユニークな課題と制限について論じている。
  論文  参考訳（メタデータ） (2024-03-29T21:37:23Z)
• 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)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
  トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。 既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。 我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:15:57Z)
• On Inferring User Socioeconomic Status with Mobility Records [61.0966646857356]
  本稿では,DeepSEIと呼ばれる,社会経済に配慮したディープモデルを提案する。 DeepSEIモデルはディープネットワークとリカレントネットワークと呼ばれる2つのネットワークを組み込んでいる。 実際の移動記録データ、POIデータ、住宅価格データについて広範な実験を行う。
  論文  参考訳（メタデータ） (2022-11-15T15:07:45Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)

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。