論文の概要: Deciphering Human Mobility: Inferring Semantics of Trajectories with Large Language Models
- arxiv url: http://arxiv.org/abs/2405.19850v1
- Date: Thu, 30 May 2024 08:55:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-31 15:09:01.857167
- Title: Deciphering Human Mobility: Inferring Semantics of Trajectories with Large Language Models
- Title（参考訳）: 人間のモビリティの解読:大規模言語モデルを用いた軌道のセマンティックスの推定
- Authors: Yuxiao Luo, Zhongcai Cao, Xin Jin, Kang Liu, Ling Yin,
- Abstract要約: 本稿では,ユーザの職業カテゴリー,活動,シーケンス,軌道記述の3つの重要な側面を通じて意味推論を定義する。
本稿では,トラジェクトリデータのセマンティック分析を活用するために,大規模言語モデルを用いたトラジェクトリ意味推論(TSI-LLM)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 10.841035090991651
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding human mobility patterns is essential for various applications, from urban planning to public safety. The individual trajectory such as mobile phone location data, while rich in spatio-temporal information, often lacks semantic detail, limiting its utility for in-depth mobility analysis. Existing methods can infer basic routine activity sequences from this data, lacking depth in understanding complex human behaviors and users' characteristics. Additionally, they struggle with the dependency on hard-to-obtain auxiliary datasets like travel surveys. To address these limitations, this paper defines trajectory semantic inference through three key dimensions: user occupation category, activity sequence, and trajectory description, and proposes the Trajectory Semantic Inference with Large Language Models (TSI-LLM) framework to leverage LLMs infer trajectory semantics comprehensively and deeply. We adopt spatio-temporal attributes enhanced data formatting (STFormat) and design a context-inclusive prompt, enabling LLMs to more effectively interpret and infer the semantics of trajectory data. Experimental validation on real-world trajectory datasets demonstrates the efficacy of TSI-LLM in deciphering complex human mobility patterns. This study explores the potential of LLMs in enhancing the semantic analysis of trajectory data, paving the way for more sophisticated and accessible human mobility research.
- Abstract（参考訳）: ヒトの移動パターンを理解することは、都市計画から公共の安全まで、様々な応用に不可欠である。
携帯電話の位置データのような個々の軌跡は時空間情報に富んでいるが、意味的詳細を欠くことが多く、深層移動解析に有効である。
既存の手法では、このデータから基本的なルーチンのアクティビティシーケンスを推測することができ、複雑な人間の行動やユーザの特性の理解の深みが欠如している。
さらに、旅行調査のような難しい補助的なデータセットへの依存に苦慮している。
これらの制約に対処するために,ユーザ占有カテゴリ,アクティビティシーケンス,トラジェクティブ記述という3つの重要な側面によるトラジェクティブ意味推論を定義し,トラジェクティブ意味論を包括的かつ深く活用するためのトラジェクティブ意味推論(TSI-LLM)フレームワークを提案する。
我々は、時空間属性強化データフォーマッティング(STFormat)を採用し、文脈包括的プロンプトを設計し、LLMが軌道データのセマンティクスをより効果的に解釈し、推論できるようにする。
実世界の軌道データセットに対する実験的検証は、複雑な人間の移動パターンの解読におけるTSI-LLMの有効性を示す。
本研究では,軌跡データのセマンティック分析を向上し,より高度でアクセスしやすい人体移動研究への道を開く上で,LLMsの可能性を探る。
関連論文リスト
- Learning Generalizable Human Motion Generator with Reinforcement Learning [95.62084727984808]
テキスト駆動型ヒューマンモーション生成は、コンピュータ支援コンテンツ作成において重要なタスクの1つである。
既存の方法は訓練データ中の特定の動作表現に過度に適合することが多く、一般化する能力を妨げている。
一般化可能なヒューマンモーション生成のための強化学習において,パスとエラーのパラダイムを取り入れた textbfInstructMotion を提案する。
論文 参考訳（メタデータ） (2024-05-24T13:29:12Z) - 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) - Are You Being Tracked? Discover the Power of Zero-Shot Trajectory
Tracing with LLMs! [3.844253028598048]
LLMTrackは、ゼロショット軌道認識にLLMをどのように活用できるかを示すモデルである。
本研究では,屋内シナリオと屋外シナリオを特徴とする異なる軌跡を用いて,現実のデータセットを用いてモデルを評価した。
論文 参考訳（メタデータ） (2024-03-10T12:50:35Z) - Enhancing Explainability in Mobility Data Science through a combination
of methods [0.08192907805418582]
本稿では,重要なXAI技法を調和させる包括的フレームワークを提案する。
LIME Interpretable Model-a-gnostic Explanations, SHAP, Saliency Map, attention mechanism, direct trajectory Visualization, and Permutation Feature (PFI)
本研究の枠組みを検証するため,様々な利用者の嗜好や受容度を評価する調査を行った。
論文 参考訳（メタデータ） (2023-12-01T07:09:21Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - SPOT: Scalable 3D Pre-training via Occupancy Prediction for Learning Transferable 3D Representations [76.45009891152178]
トレーニング-ファインタニングアプローチは、さまざまな下流データセットとタスクをまたいだトレーニング済みのバックボーンを微調整することで、ラベル付けの負担を軽減することができる。
本稿では, 一般表現学習が, 占領予測のタスクを通じて達成できることを, 初めて示す。
本研究は,LiDAR 点の理解を促進するとともに,LiDAR の事前訓練における今後の進歩の道を開くことを目的とする。
論文 参考訳（メタデータ） (2023-09-19T11:13:01Z) - Where Would I Go Next? Large Language Models as Human Mobility
Predictors [21.100313868232995]
人間の移動データを解析するためのLLMの言語理解と推論能力を活用する新しい手法 LLM-Mob を提案する。
本手法の総合評価により,LLM-Mobは正確かつ解釈可能な予測を行うのに優れていることが明らかとなった。
論文 参考訳（メタデータ） (2023-08-29T10:24:23Z) - Semi-supervised Multi-task Learning for Semantics and Depth [88.77716991603252]
MTL(Multi-Task Learning)は、関連するタスク間で表現を共有することで、モデル一般化を強化することを目的としている。
そこで本研究では,異なるデータセットから利用可能な監視信号を活用するために,半教師付きマルチタスク学習(MTL)手法を提案する。
本稿では,データセット間の整合性の問題を軽減するために,様々なアライメントの定式化を施したドメイン認識識別器構造を提案する。
論文 参考訳（メタデータ） (2021-10-14T07:43:39Z) - Methodology for Mining, Discovering and Analyzing Semantic Human
Mobility Behaviors [0.3499870393443268]
本研究では,セマンティックモビリティシーケンスのマイニングと解析を行うsimbaという手法を提案する。
セマンティクスシーケンスモビリティ解析とクラスタリング拡張性のためのフレームワークを実装した。
論文 参考訳（メタデータ） (2020-12-08T22:24:19Z) - SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。
観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-08-18T03:40:25Z) - DETECT: Deep Trajectory Clustering for Mobility-Behavior Analysis [10.335486459171992]
我々は,Deep Embedded TrajEctor ClusTering Network (DETECT)と呼ばれる,移動行動クラスタリングのための教師なしニューラルネットワークを提案する。
DETECTは3つの部分で機能する: まず、重要な部分を要約し、地理的局所性から派生した文脈で拡張することで軌道を変換する。
第2部では、潜在行動空間におけるトラジェクトリの強力な表現を学び、これによりクラスタリング関数(例えば$k$means)を適用できる。
論文 参考訳（メタデータ） (2020-03-03T06:09:15Z)
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。