論文の概要: Taming the Long Tail in Human Mobility Prediction
- arxiv url: http://arxiv.org/abs/2410.14970v3
- Date: Sun, 17 Nov 2024 16:09:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-19 14:31:36.914224
- Title: Taming the Long Tail in Human Mobility Prediction
- Title(参考訳): 人間の移動予測におけるロングテールの活用
- Authors: Xiaohang Xu, Renhe Jiang, Chuang Yang, Zipei Fan, Kaoru Sezaki,
- Abstract要約: 移動予測のためのLong-Tail Adjusted Next POI Prediction (LoTNext) フレームワークを提案する。
2つの実世界の軌道データセットによる実験により、LoTNextが既存の最先端の作業を大幅に上回っていることが示された。
- 参考スコア(独自算出の注目度): 11.774792176002379
- License:
- Abstract: With the popularity of location-based services, human mobility prediction plays a key role in enhancing personalized navigation, optimizing recommendation systems, and facilitating urban mobility and planning. This involves predicting a user's next POI (point-of-interest) visit using their past visit history. However, the uneven distribution of visitations over time and space, namely the long-tail problem in spatial distribution, makes it difficult for AI models to predict those POIs that are less visited by humans. In light of this issue, we propose the Long-Tail Adjusted Next POI Prediction (LoTNext) framework for mobility prediction, combining a Long-Tailed Graph Adjustment module to reduce the impact of the long-tailed nodes in the user-POI interaction graph and a novel Long-Tailed Loss Adjustment module to adjust loss by logit score and sample weight adjustment strategy. Also, we employ the auxiliary prediction task to enhance generalization and accuracy. Our experiments with two real-world trajectory datasets demonstrate that LoTNext significantly surpasses existing state-of-the-art works. Our code is available at https://github.com/Yukayo/LoTNext.
- Abstract(参考訳): 位置情報ベースのサービスの普及に伴い、パーソナライズされたナビゲーションを強化し、レコメンデーションシステムを最適化し、都市のモビリティと計画を容易にする上で、人間のモビリティ予測が重要な役割を担っている。
これには、過去の訪問履歴を使用して、ユーザの次のPOI(point-of-interest)訪問を予測することが含まれる。
しかし、時間と空間による訪問の不均一な分布、すなわち空間分布における長い尾の問題は、AIモデルが人間による訪問の少ないPOIを予測するのを困難にしている。
この問題を考慮し,Long-Tail Adjusted Next POI Prediction(LoTNext)フレームワークを提案する。Long-Tailed Graph Adjustmentモジュールと新しいLong-Tailed Loss Adjustmentモジュールを組み合わせることで,ロジットスコアとサンプル重量調整戦略による損失の調整を行う。
また、一般化と精度を高めるために補助予測タスクを用いる。
2つの実世界の軌道データセットによる実験により、LoTNextが既存の最先端の作業を大幅に上回っていることが示された。
私たちのコードはhttps://github.com/Yukayo/LoTNext.comから入手可能です。
関連論文リスト
- TrajGEOS: Trajectory Graph Enhanced Orientation-based Sequential Network for Mobility Prediction [10.876862361004944]
次位置予測タスクのための textbfTrajectory textbfGraph textbfEnhanced textbfOrientation-based textbfSequential network (TrajGEOS) を提案する。
論文 参考訳(メタデータ) (2024-12-26T07:18:38Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳(メタデータ) (2024-07-18T15:44:23Z) - Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。
私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。
私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
論文 参考訳(メタデータ) (2024-06-12T11:50:51Z) - 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) - FEND: A Future Enhanced Distribution-Aware Contrastive Learning
Framework for Long-tail Trajectory Prediction [19.626383744807068]
本稿では,軌道予測における長い尾現象の扱いに焦点をあてる。
我々は、末尾軌道パターンを認識し、個別のパターンクラスタで特徴空間を形成するための、将来的な強化されたコントラスト学習フレームワークを提唱した。
本手法は, ADEでは9.5%, FDEでは8.5%の精度で, 最先端のロングテール予測法よりも優れていた。
論文 参考訳(メタデータ) (2023-03-29T10:16:55Z) - GETNext: Trajectory Flow Map Enhanced Transformer for Next POI
Recommendation [11.236531335154401]
POIは、現在のステータスと履歴情報から、ユーザとサービスプロバイダの両方に大きな価値をもたらす、ユーザの将来的な動きを予測しようとしている。
様々なデータトレンドを一緒に考える必要があるため、この問題は知覚的に複雑である。
本稿では,ユーザに依存しないグローバルトラジェクトリフローマップと新しいグラフ拡張トランスフォーマモデル(GETNext)を提案する。
論文 参考訳(メタデータ) (2023-03-03T01:58:41Z) - Context-aware multi-head self-attentional neural network model for next
location prediction [19.640761373993417]
我々は、歴史的位置情報から位置パターンを学習するマルチヘッド自己注意ニューラルネットワーク(A)を利用する。
提案モデルが他の最先端予測モデルより優れていることを示す。
我々は,提案モデルが文脈を考慮した移動予測に不可欠であると信じている。
論文 参考訳(メタデータ) (2022-12-04T23:40:14Z) - Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。
自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。
特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
論文 参考訳(メタデータ) (2022-10-22T17:29:34Z) - How do you go where? Improving next location prediction by learning
travel mode information using transformers [6.003006906852134]
本稿では, トランスフォーマーデコーダに基づくニューラルネットワークを提案し, 過去の位置, 時間, 移動モードに基づいて, 個人が訪問する次の場所を予測する。
特に、次の旅行モードの予測は、ネットワークの学習をガイドする補助的なタスクとして設計されている。
実験の結果,提案手法は,他の最先端の次の位置予測手法よりも大幅に優れていることがわかった。
論文 参考訳(メタデータ) (2022-10-08T19:36:58Z) - Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。
近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。
本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
論文 参考訳(メタデータ) (2022-06-29T17:58:12Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性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) (2021-04-04T03:17:42Z)
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。