Fugu-MT 論文翻訳(概要): Reconstructing Human Mobility Pattern: A Semi-Supervised Approach for Cross-Dataset Transfer Learning

論文の概要: Reconstructing Human Mobility Pattern: A Semi-Supervised Approach for Cross-Dataset Transfer Learning

arxiv url: http://arxiv.org/abs/2410.03788v1
Date: Thu, 3 Oct 2024 20:29:56 GMT
ステータス: 処理完了
システム内更新日: 2024-11-02 16:20:48.026469
Title: Reconstructing Human Mobility Pattern: A Semi-Supervised Approach for Cross-Dataset Transfer Learning
Title（参考訳）: ヒューマンモビリティパターンの再構築--クロスデータセット・トランスファー学習のための半監督的アプローチ
Authors: Xishun Liao, Yifan Liu, Chenchen Kuai, Haoxuan Ma, Yueshuai He, Shangqing Cao, Chris Stanford, Jiaqi Ma,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 10.864774173935535
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Understanding human mobility patterns is crucial for urban planning, transportation management, and public health. This study tackles two primary challenges in the field: the reliance on trajectory data, which often fails to capture the semantic interdependencies of activities, and the inherent incompleteness of real-world trajectory data. We have developed a model that reconstructs and learns human mobility patterns by focusing on semantic activity chains. We introduce a semi-supervised iterative transfer learning algorithm to adapt models to diverse geographical contexts and address data scarcity. Our model is validated using comprehensive datasets from the United States, where it effectively reconstructs activity chains and generates high-quality synthetic mobility data, achieving a low Jensen-Shannon Divergence (JSD) value of 0.001, indicating a close similarity between synthetic and real data. Additionally, sparse GPS data from Egypt is used to evaluate the transfer learning algorithm, demonstrating successful adaptation of US mobility patterns to Egyptian contexts, achieving a 64\% of increase in similarity, i.e., a JSD reduction from 0.09 to 0.03. This mobility reconstruction model and the associated transfer learning algorithm show significant potential for global human mobility modeling studies, enabling policymakers and researchers to design more effective and culturally tailored transportation solutions.
Abstract（参考訳）: 人間の移動パターンを理解することは、都市計画、交通管理、公衆衛生にとって不可欠である。本研究は,活動の意味的相互依存性を捉えるのにしばしば失敗する軌跡データへの依存と,実世界の軌跡データの本質的不完全性という,この分野における2つの主要な課題に取り組む。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,データの不足に対処する半教師付き反復移動学習アルゴリズムを提案する。本モデルでは, 活動連鎖を効果的に再構築し, 高品質な合成モビリティデータを生成し, 合成データと実データとの密接な類似性を示すJensen-Shannon Divergence (JSD) 値0。さらに、エジプトからのスパースGPSデータは、移動学習アルゴリズムの評価に使われ、アメリカのモビリティパターンをエジプトの文脈に適応させることに成功した。このモビリティ再構築モデルと関連する移動学習アルゴリズムは、グローバルな人間のモビリティモデリング研究において重要な可能性を示し、政策立案者や研究者がより効果的で文化的に調整された輸送ソリューションを設計できるようにする。

関連論文リスト

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)
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)
MobilityGPT: Enhanced Human Mobility Modeling with a GPT model [12.01839817432357]
我々はこれらの問題に対処するために、自己回帰生成タスクとして、人間のモビリティモデリングを再構築する。本稿では,ジオスパティカル・アウェア・ジェネレーティブ・モデルであるモビリティGPTを提案する。実世界のデータセットの実験では、モビリティGPTは最先端の手法よりも優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2024-02-05T18:22:21Z)
Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文参考訳（メタデータ） (2023-09-01T19:29:53Z)
Data-Heterogeneous Hierarchical Federated Learning with Mobility [20.482704508355905]
フェデレーション学習は、複数のデバイスにまたがる機械学習(ML)モデルの分散トレーニングを可能にする。本稿では,主に車両ネットワークを対象とする移動性を持つデータヘテロジニアスHFLシナリオについて考察する。畳み込みニューラルネットワークをトレーニングすると、モビリティがモデル精度を最大15.1%向上できることを示す。
論文参考訳（メタデータ） (2023-06-19T04:22:18Z)
Model-Based Reinforcement Learning with Multi-Task Offline Pretraining [59.82457030180094]
本稿では,オフラインデータから新しいタスクへ,潜在的に有用なダイナミックスや動作デモを伝達するモデルベースRL法を提案する。主な考え方は、世界モデルを行動学習のシミュレーターとしてだけでなく、タスクの関連性を測定するツールとして使うことである。本稿では,Meta-WorldとDeepMind Control Suiteの最先端手法と比較して,我々のアプローチの利点を実証する。
論文参考訳（メタデータ） (2023-06-06T02:24:41Z)
Continuous Trajectory Generation Based on Two-Stage GAN [50.55181727145379]
本稿では,道路網上の連続軌道を生成するために,新たな2段階生成対向フレームワークを提案する。具体的には、A*アルゴリズムの人間の移動性仮説に基づいてジェネレータを構築し、人間の移動性について学習する。判別器では, 逐次報酬と移動ヤウ報酬を組み合わせることで, 発電機の有効性を高める。
論文参考訳（メタデータ） (2023-01-16T09:54:02Z)
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)
Probing transfer learning with a model of synthetic correlated datasets [11.53207294639557]
トランスファーラーニングはニューラルネットワークのサンプル効率を大幅に向上させることができる。我々は、データセット間の相関をモデル化するためのフレームワークとして、合成データの解決可能なモデルを再考する。本研究では,本モデルが実データを用いた伝達学習の多彩な特徴を捉えることができることを示す。
論文参考訳（メタデータ） (2021-06-09T22:15:41Z)
Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
論文参考訳（メタデータ） (2021-03-06T09:10:03Z)
Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文参考訳（メタデータ） (2020-07-07T17:19:56Z)

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。