論文の概要: BIGCity: A Universal Spatiotemporal Model for Unified Trajectory and Traffic State Data Analysis

• arxiv url: http://arxiv.org/abs/2412.00953v1
• Date: Sun, 01 Dec 2024 20:10:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:46:31.717093
• Title: BIGCity: A Universal Spatiotemporal Model for Unified Trajectory and Traffic State Data Analysis
• Title（参考訳）: BIGCity: 統一軌道と交通状態データ解析のための普遍時空間モデル
• Authors: Xie Yu, Jingyuan Wang, Yifan Yang, Qian Huang, Ke Qu,
• Abstract要約: 本稿では,STデータ解析のための最初のマルチタスク・マルチデータモダリティ(MTMD)モデルであるBIGCityを紹介する。 最初の課題を克服するため、BIGCityは、トラジェクトリとトラフィック状態の両方を統一形式で表現する新しいSTユニットを導入した。 実世界のデータセットの実験では、BIGCityは8つのタスクで最先端のパフォーマンスを実現し、18のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 27.605128600239482
• License:
• Abstract: Typical dynamic ST data includes trajectory data (representing individual-level mobility) and traffic state data (representing population-level mobility). Traditional studies often treat trajectory and traffic state data as distinct, independent modalities, each tailored to specific tasks within a single modality. However, real-world applications, such as navigation apps, require joint analysis of trajectory and traffic state data. Treating these data types as two separate domains can lead to suboptimal model performance. Although recent advances in ST data pre-training and ST foundation models aim to develop universal models for ST data analysis, most existing models are "multi-task, solo-data modality" (MTSM), meaning they can handle multiple tasks within either trajectory data or traffic state data, but not both simultaneously. To address this gap, this paper introduces BIGCity, the first multi-task, multi-data modality (MTMD) model for ST data analysis. The model targets two key challenges in designing an MTMD ST model: (1) unifying the representations of different ST data modalities, and (2) unifying heterogeneous ST analysis tasks. To overcome the first challenge, BIGCity introduces a novel ST-unit that represents both trajectories and traffic states in a unified format. Additionally, for the second challenge, BIGCity adopts a tunable large model with ST task-oriented prompt, enabling it to perform a range of heterogeneous tasks without the need for fine-tuning. Extensive experiments on real-world datasets demonstrate that BIGCity achieves state-of-the-art performance across 8 tasks, outperforming 18 baselines. To the best of our knowledge, BIGCity is the first model capable of handling both trajectories and traffic states for diverse heterogeneous tasks. Our code are available at https://github.com/bigscity/BIGCity
• Abstract（参考訳）: 典型的なSTデータには、軌道データ(個人レベルのモビリティを表す)と交通状態データ(人口レベルのモビリティを表す)が含まれる。 伝統的な研究は、軌跡データと交通状態データを独立したモードとして扱い、それぞれが単一のモード内で特定のタスクに合わせて調整される。 しかし、ナビゲーションアプリのような現実世界のアプリケーションでは、軌跡と交通状態のデータを共同で分析する必要がある。 これらのデータ型を2つの別々のドメインとして扱うことは、最適以下のモデルパフォーマンスにつながる可能性がある。 近年のSTデータ事前学習モデルとST基盤モデルはSTデータ解析のためのユニバーサルモデルの開発を目標としているが、既存のモデルの多くは「マルチタスク、ソロデータモダリティ」(MTSM)であり、トラジェクティブデータまたはトラヒックステートデータの両方で複数のタスクを処理できるが、同時にはできない。 そこで本研究では,STデータ解析のための最初のマルチタスク・マルチデータモダリティ(MTMD)モデルであるBIGCityを紹介する。 本モデルでは, MTMD STモデルの設計において, 1) 異なるSTデータモダリティの表現を統一すること,(2) 異種ST解析タスクを統一すること,の2つの課題を目標としている。 最初の課題を克服するため、BIGCityは、トラジェクトリとトラフィック状態の両方を統一形式で表現する新しいSTユニットを導入した。 さらに、第2の課題として、BIGCityはSTタスク指向のプロンプトを備えたチューニング可能な大きなモデルを採用しており、微調整を必要とせずに、さまざまな異種タスクを実行できる。 実世界のデータセットに対する大規模な実験は、BIGCityが8つのタスクで最先端のパフォーマンスを実現し、18のベースラインを上回っていることを示している。 我々の知る限りでは、BIGCityは多様な異種タスクに対してトラジェクトリとトラフィック状態の両方を扱うことができる最初のモデルである。 私たちのコードはhttps://github.com/bigscity/BIGCityで利用可能です。

関連論文リスト

• UrbanDiT: A Foundation Model for Open-World Urban Spatio-Temporal Learning [25.217842149162735]
  UrbanDiTTは、オープンワールドの都市時間学習の基礎モデルである。 多様な時間的データソースと、さまざまな都市やシナリオにまたがるタイプを統合している。
  論文  参考訳（メタデータ） (2024-11-19T02:01:07Z)
• VecCity: A Taxonomy-guided Library for Map Entity Representation Learning [48.73446321300362]
  マップエンティティ表現学習(MapRL)は、汎用的で再利用可能なデータ表現を生成する。 本稿では,エンコーダや事前学習タスク,下流タスクなどの機能的モジュールモデルに基づいてモデルを編成するMapRLの新しい分類法を提案する。 本稿では, コード化, 事前学習, 微調整, 評価のための, 使いやすいインタフェースを提供する分類学駆動型ライブラリであるVecCityを提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:03:46Z)
• Generalizable Implicit Neural Representation As a Universal Spatiotemporal Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-06-13T02:03:22Z)
• Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを導入する。 バスケットボール-U,サッカー-U,サッカー-Uの3つの実用的なスポーツゲームデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-05-06T06:23:06Z)
• UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction [93.77809355002591]
  さまざまなデータセット、モデル、評価基準を統一する包括的なフレームワークであるUniTrajを紹介する。 我々は広範な実験を行い、他のデータセットに転送するとモデルの性能が大幅に低下することがわかった。 これらの知見を説明するために,データセットの特徴に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-03-22T10:36:50Z)
• Diffusion Model is an Effective Planner and Data Synthesizer for Multi-Task Reinforcement Learning [101.66860222415512]
  Multi-Task Diffusion Model (textscMTDiff) は、トランスフォーマーのバックボーンを組み込んだ拡散に基づく手法であり、生成計画とデータ合成のための素早い学習を行う。 生成計画において、textscMTDiffはMeta-World上の50のタスクとMaze2D上の8のマップで最先端のアルゴリズムより優れています。
  論文  参考訳（メタデータ） (2023-05-29T05:20:38Z)
• IDD-3D: Indian Driving Dataset for 3D Unstructured Road Scenes [79.18349050238413]
  デプロイ可能なディープラーニングアーキテクチャの準備とトレーニングには、さまざまなトラフィックシナリオに適したモデルが必要である。 インドなどいくつかの発展途上国で見られる非構造的で複雑な運転レイアウトは、これらのモデルに挑戦している。 我々は、複数のカメラと12kの注釈付き駆動LiDARフレームを備えたLiDARセンサーのマルチモーダルデータからなる新しいデータセットIDD-3Dを構築した。
  論文  参考訳（メタデータ） (2022-10-23T23:03:17Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)

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。