Fugu-MT 論文翻訳(概要): Human Mobility Modeling with Limited Information via Large Language Models

論文の概要: Human Mobility Modeling with Limited Information via Large Language Models

arxiv url: http://arxiv.org/abs/2409.17495v1
Date: Thu, 26 Sep 2024 03:07:32 GMT
ステータス: 処理完了
システム内更新日: 2024-09-28 23:28:13.992503
Title: Human Mobility Modeling with Limited Information via Large Language Models
Title（参考訳）: 大規模言語モデルを用いた限定情報を用いた人間のモビリティモデリング
Authors: Yifan Liu, Xishun Liao, Haoxuan Ma, Brian Yueshuai He, Chris Stanford, Jiaqi Ma,
Abstract要約: 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。
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: Understanding human mobility patterns has traditionally been a complex challenge in transportation modeling. Due to the difficulties in obtaining high-quality training datasets across diverse locations, conventional activity-based models and learning-based human mobility modeling algorithms are particularly limited by the availability and quality of datasets. Furthermore, current research mainly focuses on the spatial-temporal travel pattern but lacks an understanding of the semantic information between activities, which is crucial for modeling the interdependence between activities. In this paper, we propose an innovative Large Language Model (LLM) empowered human mobility modeling framework. Our proposed approach significantly reduces the reliance on detailed human mobility statistical data, utilizing basic socio-demographic information of individuals to generate their daily mobility patterns. We have validated our results using the NHTS and SCAG-ABM datasets, demonstrating the effective modeling of mobility patterns and the strong adaptability of our framework across various geographic locations.
Abstract（参考訳）: 人間の移動パターンを理解することは、伝統的に交通モデリングにおいて複雑な課題であった。多様な場所で高品質なトレーニングデータセットを得るのに困難があるため、従来のアクティビティベースモデルと学習ベースのヒューマンモビリティモデリングアルゴリズムは、データセットの可用性と品質によって特に制限されている。さらに、近年の研究は、主に空間的時間的移動パターンに焦点を当てているが、活動間の相互依存のモデル化に不可欠である活動間の意味情報の理解が欠如している。本稿では,人間のモビリティ・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、個人の基本社会デコグラフィー情報を用いて、日々の移動パターンを生成することによって、詳細な移動統計データへの依存を著しく低減する。我々は、NHTSおよびSCAG-ABMデータセットを用いて、この結果を検証するとともに、モビリティパターンの効果的なモデリングと、様々な地域にわたるフレームワークの強力な適応性を実証した。

関連論文リスト

Quo Vadis, Motion Generation? From Large Language Models to Large Motion Models [70.78051873517285]
我々は、最初の100万レベルのモーション生成ベンチマークであるMotionBaseを紹介する。この膨大なデータセットを活用することで、我々の大きな動きモデルは幅広い動きに対して強いパフォーマンスを示す。動作情報を保存し,コードブックの容量を拡大する,モーショントークン化のための新しい2次元ルックアップフリーアプローチを提案する。
論文参考訳（メタデータ） (2024-10-04T10:48:54Z)
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)
Deep Activity Model: A Generative Approach for Human Mobility Pattern Synthesis [11.90100976089832]
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。
論文参考訳（メタデータ） (2024-05-24T02:04:10Z)
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)
Scaling Vision-Language Models with Sparse Mixture of Experts [128.0882767889029]
提案手法は, 等価計算コストの高密度モデルに対して, 様々なベンチマークにおいて, 最先端性能を実現することができることを示す。我々の研究は、MoEモデルのトレーニングの安定化、モデル解釈可能性に対するMoEの影響の理解、ビジョン言語モデルをスケールする際の計算性能間のトレードオフのバランスに関する貴重な洞察を提供する。
論文参考訳（メタデータ） (2023-03-13T16:00:31Z)
Learning to Simulate Daily Activities via Modeling Dynamic Human Needs [24.792813473159505]
生成的逆転模倣学習に基づく知識駆動型シミュレーションフレームワークを提案する。我々の中核となる考え方は、シミュレーションモデルにおける活動生成を駆動する基盤となるメカニズムとして、人間の要求の進化をモデル化することである。我々のフレームワークは、データの忠実さと実用性の観点から、最先端のベースラインよりも優れています。
論文参考訳（メタデータ） (2023-02-09T12:30:55Z)
Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
論文参考訳（メタデータ） (2022-03-29T16:24:52Z)
DIME: Fine-grained Interpretations of Multimodal Models via Disentangled Local Explanations [119.1953397679783]
我々は,マルチモーダルモデルの解釈における最先端化に注力する。提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
論文参考訳（メタデータ） (2022-03-03T20:52:47Z)
Multi-agent Trajectory Prediction with Fuzzy Query Attention [15.12743751614964]
複数のエージェントを持つシーンの軌道予測は、交通予測、歩行者追跡、経路計画といった多くの領域において難しい問題である。この課題に対処する一般的なアーキテクチャとして、運動の重要な帰納バイアス、すなわち慣性、相対運動、意図、相互作用をモデル化する。
論文参考訳（メタデータ） (2020-10-29T19:12:12Z)
Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
論文参考訳（メタデータ） (2020-07-14T16:42:59Z)
TraLFM: Latent Factor Modeling of Traffic Trajectory Data [16.010576606023417]
そこで我々は,交通トラジェクトリの基盤となる人間の移動パターンをマイニングするための新しい生成モデルTraLFMを提案する。 TraLFMは,(1)人体移動パターンが軌道内の位置の列によって反映される,(2)人体移動パターンが人によって異なる,(3)人体移動パターンが周期的かつ時間とともに変化する,という3つの重要な観察に基づいている。
論文参考訳（メタデータ） (2020-03-16T04:41:39Z)

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。