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

• arxiv url: http://arxiv.org/abs/2405.17468v2
• Date: Sun, 03 Nov 2024 06:38:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:42:50.951970
• 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, Qinhua Jiang, Brian Yueshuai He, Yifan Liu, Chenchen Kuai, Jiaqi Ma,
• Abstract要約: 我々は,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。 オープンソースのデータを使って、アクティビティパターンとロケーショントラジェクトリの両方を組み込む。 モデルはローカルデータで微調整できるため、さまざまな領域にわたるモビリティパターンを正確に表現することができる。
• 参考スコア（独自算出の注目度）: 11.90100976089832
• License:
• Abstract: Human mobility plays a crucial role in transportation, urban planning, and public health. Advances in deep learning and the availability of diverse mobility data have transformed mobility modeling. However, existing deep learning models often focus on spatio-temporal patterns and struggle to capture the semantic interdependencies among activities, while also being limited by specific data sources. These challenges reduce their realism and adaptability. Traditional activity-based models (ABMs) face issues as well, relying on rigid assumptions and requiring extensive data, making them costly and difficult to adapt to new regions, especially those with limited conventional travel data. To address these limitations, we develop a novel generative deep learning approach for human mobility modeling and synthesis that incorporates both activity patterns and location trajectories using open-source data. The model can be fine-tuned with local data, allowing it to adapt to and accurately represent mobility patterns across diverse regions. The model is evaluated on a nationwide dataset of the United States, where it demonstrates superior performance in generating activity-location 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, particularly in generating synthetic human mobility data. This can provide urban planners and policymakers with enhanced tools for simulating mobility in diverse regions and better informing decisions related to transportation, urban development, and public health.
• Abstract（参考訳）: 人間の移動は交通、都市計画、公衆衛生において重要な役割を担っている。 ディープラーニングの進歩と多様なモビリティデータの利用は、モビリティモデリングに変化をもたらした。 しかし、既存のディープラーニングモデルは時空間パターンに注目し、特定のデータソースによって制限される一方で、アクティビティ間のセマンティックな相互依存性を捉えるのに苦労することが多い。 これらの課題は現実主義と適応性を低下させる。 従来のアクティビティベースモデル(ABM)も、厳密な仮定に依存し、広範なデータを必要とする問題に直面している。 これらの制約に対処するため,我々は,オープンソースのデータを用いた行動パターンと位置軌跡の両方を組み込んだ,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。 モデルはローカルデータで微調整することができ、多様な領域にわたるモビリティパターンに適応し、正確に表現することができる。 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、基底の真理分布を忠実に追従する活動配置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、特に人工的な人間の移動データの生成において、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もたらす。 これにより、都市プランナーや政策立案者が、多様な地域の移動をシミュレートし、交通、都市開発、公衆衛生に関するより良い意思決定を行うための強化されたツールを提供することができる。

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。