Fugu-MT 論文翻訳(概要): A Universal Model for Human Mobility Prediction

論文の概要: A Universal Model for Human Mobility Prediction

arxiv url: http://arxiv.org/abs/2412.15294v1
Date: Thu, 19 Dec 2024 07:38:13 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-23 16:21:40.458769
Title: A Universal Model for Human Mobility Prediction
Title（参考訳）: 人体移動予測のための普遍モデル
Authors: Qingyue Long, Yuan Yuan, Yong Li,
Abstract要約: 個人軌跡と群集の流れの両方に適用可能なユニバーサルな人体移動予測モデル(UniMob)を提案する。このモデルでは,MAPE と Accuracy@5 で 14% 以上,25% 以上のパフォーマンス向上を実現している。
参考スコア（独自算出の注目度）: 7.542075639525391
License:
Abstract: Predicting human mobility is crucial for urban planning, traffic control, and emergency response. Mobility behaviors can be categorized into individual and collective, and these behaviors are recorded by diverse mobility data, such as individual trajectory and crowd flow. As different modalities of mobility data, individual trajectory and crowd flow have a close coupling relationship. Crowd flows originate from the bottom-up aggregation of individual trajectories, while the constraints imposed by crowd flows shape these individual trajectories. Existing mobility prediction methods are limited to single tasks due to modal gaps between individual trajectory and crowd flow. In this work, we aim to unify mobility prediction to break through the limitations of task-specific models. We propose a universal human mobility prediction model (named UniMob), which can be applied to both individual trajectory and crowd flow. UniMob leverages a multi-view mobility tokenizer that transforms both trajectory and flow data into spatiotemporal tokens, facilitating unified sequential modeling through a diffusion transformer architecture. To bridge the gap between the different characteristics of these two data modalities, we implement a novel bidirectional individual and collective alignment mechanism. This mechanism enables learning common spatiotemporal patterns from different mobility data, facilitating mutual enhancement of both trajectory and flow predictions. Extensive experiments on real-world datasets validate the superiority of our model over state-of-the-art baselines in trajectory and flow prediction. Especially in noisy and scarce data scenarios, our model achieves the highest performance improvement of more than 14% and 25% in MAPE and Accuracy@5.
Abstract（参考訳）: 人の移動を予測することは、都市計画、交通制御、緊急対応に不可欠である。移動行動は個人と集団に分類することができ、これらの行動は個人軌跡や群集の流れなどの多様な移動データによって記録される。移動データの異なるモダリティとして、個々の軌跡と群集の流れは密接な結合関係を持つ。群衆の流れは、個々の軌道のボトムアップ集約に由来するが、群衆の流れによって課される制約は、これらの個々の軌道を形作る。既存の移動予測手法は, 個々の軌道と群集の流れのずれにより, 単一作業に限られる。本研究では,タスク固有モデルの限界を突破するため,モビリティ予測を統一することを目的とする。個人軌跡と群集の流れの両方に適用可能なユニバーサルな人体移動予測モデル(UniMob)を提案する。 UniMobは、トラジェクトリとフローデータの両方を時空間トークンに変換するマルチビューモビリティトークン機構を活用し、拡散トランスフォーマーアーキテクチャによる逐次モデリングを容易にする。これら2つのデータモダリティの異なる特徴のギャップを埋めるため、新しい双方向の個別化機構と集団アライメント機構を実装した。このメカニズムは、異なる移動データから共通の時空間パターンを学習し、軌跡と流れ予測の相互強化を容易にする。実世界のデータセットに対する大規模な実験は、軌道と流れの予測における最先端のベースラインよりも、我々のモデルの優位性を検証する。特にノイズの多いデータシナリオでは,MAPEとAccuracy@5で14%以上,25%以上のパフォーマンス向上を実現しています。

関連論文リスト

Multi-Transmotion: Pre-trained Model for Human Motion Prediction [68.87010221355223]
マルチトランスモーション(Multi-Transmotion)は、モダリティ事前トレーニング用に設計された革新的なトランスフォーマーベースのモデルである。提案手法は,下流タスクにおける各種データセット間の競合性能を示す。
論文参考訳（メタデータ） (2024-11-04T23:15:21Z)
Mixing Individual and Collective Behaviours to Predict Out-of-Routine Mobility [4.442030973972382]
本研究では,個人と集団の移動行動を動的に統合する手法を提案する。より高度な深層学習手法を超越して、ルーチン外モビリティを予測する上で、優れた性能を示す。個人的行動と集団的行動のギャップを埋めることによって、我々のアプローチは透明で正確な予測を提供する。
論文参考訳（メタデータ） (2024-04-03T13:38:49Z)
Diffusion-Based Environment-Aware Trajectory Prediction [3.1406146587437904]
自動運転車の安全かつ効率的な運転には、交通参加者の将来の軌跡を予測する能力が不可欠である。本稿では,多エージェント軌道予測のための拡散モデルを提案する。このモデルは、交通参加者と環境の間の複雑な相互作用を捉え、データのマルチモーダルな性質を正確に学習することができる。
論文参考訳（メタデータ） (2024-03-18T10:35:15Z)
Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文参考訳（メタデータ） (2024-02-19T15:57:39Z)
Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
論文参考訳（メタデータ） (2022-09-27T16:23:14Z)
Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文参考訳（メタデータ） (2022-03-25T16:59:08Z)
Multi-modal Trajectory Prediction for Autonomous Driving with Semantic Map and Dynamic Graph Attention Network [12.791191495432829]
現実の交通シナリオにおける軌道予測にはいくつかの課題がある。目的や周囲に注意を払って交通をナビゲートする人々の自然な習慣に触発された本論文は,ユニークなグラフ注意ネットワークを示す。ネットワークはエージェント間の動的社会的相互作用をモデル化し、セマンティックマップでトラフィックルールに適合するように設計されている。
論文参考訳（メタデータ） (2021-03-30T11:53:12Z)
Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文参考訳（メタデータ） (2020-09-21T13:57:10Z)
SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文参考訳（メタデータ） (2020-07-26T08:17:10Z)
Flow descriptors of human mobility networks [0.0]
本研究では,モビリティネットワークの流れとトポロジを特徴付けるシステム解析を提案し,その影響を個別のトレースに評価する。この枠組みは, 都市計画の評価, 交通の最適化, 外部イベントや状況の影響の計測, 内部動態のモニタリング, 利用者の行動パターンに応じたプロファイル化に適している。
論文参考訳（メタデータ） (2020-03-16T15:27:00Z)
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。