論文の概要: Data driven discovery of human mobility models

• arxiv url: http://arxiv.org/abs/2501.05684v1
• Date: Fri, 10 Jan 2025 03:21:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:27:50.907829
• Title: Data driven discovery of human mobility models
• Title（参考訳）: データ駆動による人体移動モデルの発見
• Authors: Hao Guo, Weiyu Zhang, Junjie Yang, Yuanqiao Hou, Lei Dong, Yu Liu,
• Abstract要約: 本研究では,人間の移動データから解釈可能なモデルを自動的に発見するための体系的アプローチを提案する。 提案手法では距離減衰効果や古典重力モデルなど,よく知られた式がいくつか見出される。 モデル表現の複雑さに対する制約を緩和することにより、人間の移動の鍵となる変数がどのようにモデルに徐々に組み込まれていくかを示す。
• 参考スコア（独自算出の注目度）: 20.402260586108792
• License:
• Abstract: Human mobility is a fundamental aspect of social behavior, with broad applications in transportation, urban planning, and epidemic modeling. However, for decades new mathematical formulas to model mobility phenomena have been scarce and usually discovered by analogy to physical processes, such as the gravity model and the radiation model. These sporadic discoveries are often thought to rely on intuition and luck in fitting empirical data. Here, we propose a systematic approach that leverages symbolic regression to automatically discover interpretable models from human mobility data. Our approach finds several well-known formulas, such as the distance decay effect and classical gravity models, as well as previously unknown ones, such as an exponential-power-law decay that can be explained by the maximum entropy principle. By relaxing the constraints on the complexity of model expressions, we further show how key variables of human mobility are progressively incorporated into the model, making this framework a powerful tool for revealing the underlying mathematical structures of complex social phenomena directly from observational data.
• Abstract（参考訳）: 人間の移動性は社会行動の基本的な側面であり、交通、都市計画、疫病モデルに広く応用されている。 しかし、何十年もの間、運動現象をモデル化する新しい数学的公式は乏しく、通常は重力モデルや放射モデルのような物理過程と類似して発見されてきた。 これらの散発的な発見は、しばしば経験的なデータに合わせる際に直観と運に頼っていると考えられている。 本稿では,人間の移動データから解釈可能なモデルを自動的に発見するために,記号回帰を利用した体系的アプローチを提案する。 提案手法では、距離減衰効果や古典重力モデルなどのよく知られた式や、最大エントロピー原理で説明できる指数的パワーロー減衰など、これまで知られていなかったものも発見されている。 モデル表現の複雑さに関する制約を緩和することにより、人間のモビリティの鍵となる変数がモデルに徐々に組み込まれていくことを示し、この枠組みは、観測データから直接複雑な社会現象の数学的構造を明らかにする強力なツールとなる。

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)
• Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
  自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。 我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。 我々は、理論的な主張を合成データ実験で裏付ける。
  論文  参考訳（メタデータ） (2024-06-01T18:01:03Z)
• 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)
• Human mobility is well described by closed-form gravity-like models learned automatically from data [0.041665123731467475]
  単純な機械学習型閉形式のモビリティモデルは、重力や複雑な機械やディープラーニングモデルよりも、全体として、より正確にモビリティフローを予測することができることを示す。 これらのモデルは異なるデータセットと異なるスケールで動作するため、人間の移動性の基本的な普遍的な特徴を捉えることができる。
  論文  参考訳（メタデータ） (2023-12-18T15:22:25Z)
• ImputeFormer: Low Rankness-Induced Transformers for Generalizable Spatiotemporal Imputation [43.684035409535696]
  既存の計算ソリューションには、主に低ランクモデルとディープラーニングモデルが含まれる。 強誘導バイアスと高時間モデル表現率の低ランク化によるバイアスバランスを示す。 交通流,太陽エネルギー,スマートメーター,空気品質など,異種データセットの精度,効率,汎用性において,その優位性を示す。
  論文  参考訳（メタデータ） (2023-12-04T08:35:31Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Neural Superstatistics for Bayesian Estimation of Dynamic Cognitive Models [2.7391842773173334]
  我々は,時間変化パラメータと時間不変パラメータの両方を復元できるベイズ推論のシミュレーションに基づくディープラーニング手法を開発した。 この結果から,ディープラーニングアプローチは時間的ダイナミクスを捉える上で極めて効率的であることが示唆された。
  論文  参考訳（メタデータ） (2022-11-23T17:42:53Z)
• AI-Assisted Discovery of Quantitative and Formal Models in Social Science [6.39651637213537]
  本システムは,経済・社会学における実世界のデータから解釈可能なモデルを発見するのに有効であることを示す。 本稿では,このAI支援フレームワークが,社会科学研究でよく用いられるパラメトリックモデルと非パラメトリックモデルとを橋渡しすることができることを提案する。
  論文  参考訳（メタデータ） (2022-10-02T16:25:47Z)
• 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)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Visual Grounding of Learned Physical Models [66.04898704928517]
  人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。 我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。 実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-04-28T17:06:38Z)

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。