論文の概要: GTG: Generalizable Trajectory Generation Model for Urban Mobility

• arxiv url: http://arxiv.org/abs/2502.01107v1
• Date: Mon, 03 Feb 2025 06:53:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:58:01.826317
• Title: GTG: Generalizable Trajectory Generation Model for Urban Mobility
• Title（参考訳）: GTG:都市移動のための一般化可能な軌道生成モデル
• Authors: Jingyuan Wang, Yujing Lin, Yudong Li,
• Abstract要約: スマートシティ管理には、軌道データマイニングが不可欠だ。 既存の軌道生成手法は都市のグローバルな道路ネットワーク構造に依存している。 本稿では、一般化可能な軌道生成モデル(GTG)を提案する。
• 参考スコア（独自算出の注目度）: 22.405633560175726
• License:
• Abstract: Trajectory data mining is crucial for smart city management. However, collecting large-scale trajectory datasets is challenging due to factors such as commercial conflicts and privacy regulations. Therefore, we urgently need trajectory generation techniques to address this issue. Existing trajectory generation methods rely on the global road network structure of cities. When the road network structure changes, these methods are often not transferable to other cities. In fact, there exist invariant mobility patterns between different cities: 1) People prefer paths with the minimal travel cost; 2) The travel cost of roads has an invariant relationship with the topological features of the road network. Based on the above insight, this paper proposes a Generalizable Trajectory Generation model (GTG). The model consists of three parts: 1) Extracting city-invariant road representation based on Space Syntax method; 2) Cross-city travel cost prediction through disentangled adversarial training; 3) Travel preference learning by shortest path search and preference update. By learning invariant movement patterns, the model is capable of generating trajectories in new cities. Experiments on three datasets demonstrates that our model significantly outperforms existing models in terms of generalization ability.
• Abstract（参考訳）: スマートシティ管理には、軌道データマイニングが不可欠だ。 しかし、商業紛争やプライバシー規制などの要因により、大規模なトラジェクトリデータセットの収集は困難である。 そのため,この問題に対処するためにはトラジェクトリ生成技術が必要である。 既存の軌道生成手法は都市のグローバルな道路ネットワーク構造に依存している。 道路網構造が変化すると、これらの方法は他の都市に転送できないことが多い。 実際、異なる都市間には不変のモビリティパターンが存在する。 1 旅行費の最小限の経路を好むこと。 2)道路の走行コストは,道路網のトポロジ的特徴と不変である。 以上の知見に基づいて、一般化可能な軌道生成モデル(GTG)を提案する。 モデルは3つの部分から構成される。 1)スペース・シンタクス法による都市不変道路表現の抽出 2 逆行訓練による都市横断旅行費予測 3)最短経路探索と優先更新による旅行嗜好学習。 不変な動きパターンを学習することで、新しい都市で軌道を生成することができる。 3つのデータセットの実験により、我々のモデルは一般化能力において既存のモデルよりも大幅に優れていることが示された。

関連論文リスト

• Trajectory Representation Learning on Road Networks and Grids with Spatio-Temporal Dynamics [0.8655526882770742]
  軌道表現学習は、スマートシティや都市計画など分野の応用における基本的な課題である。 本稿では,時間的ダイナミクスを取り入れつつ,グリッドと道路ネットワークのモダリティを統合する新しいモデルであるTIGRを提案する。 実世界の2つのデータセット上でTIGRを評価し,両モードの組み合わせの有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-21T10:56:02Z)
• BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
  従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。 本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。 本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
  論文  参考訳（メタデータ） (2024-03-08T04:19:56Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)
• DouFu: A Double Fusion Joint Learning Method For Driving Trajectory Representation [13.321587117066166]
  軌道表現型共同学習のための新しい多モード融合モデルDouFuを提案する。 まず、軌道データと都市機能ゾーンから生成された動き、経路、グローバルな特徴を設計する。 グローバルなセマンティック機能により、DouFuは各行に対して包括的な埋め込みを生成する。
  論文  参考訳（メタデータ） (2022-05-05T07:43:35Z)
• Learning a Model for Inferring a Spatial Road Lane Network Graph using Self-Supervision [10.819463015526832]
  本稿では,空間的に接地された車線レベル道路網グラフを推定するためにモデルを訓練する最初の自己教師型学習手法を提案する。 フォーマルな路面ネットワークモデルを示し、最も深度3の有向非巡回グラフで任意の構造化道路シーンを表現できることを証明した。 結果から,本モデルは従来のアプローチとは異なり,新たな道路レイアウトに一般化できることが示唆された。
  論文  参考訳（メタデータ） (2021-07-05T04:34:51Z)
• Predicting Vehicles Trajectories in Urban Scenarios with Transformer Networks and Augmented Information [0.0]
  本稿では,トランスフォーマーネットワークに基づく歩行者軌道予測のための単純な構造を利用する。 我々は,最大5秒の地平線における都市シナリオにおける車両軌道予測の問題にそれらの利用を適応させる。 我々のモデルは最先端の成果を達成し、異なるタイプの都市環境に柔軟で適応可能であることを証明している。
  論文  参考訳（メタデータ） (2021-06-01T15:18:55Z)
• 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)
• Joint Semantics and Data-Driven Path Representation for Knowledge Graph Inference [60.048447849653876]
  我々は,KG埋め込みの枠組みにおける説明可能性と一般化のバランスをとる,新しい共同意味論とデータ駆動経路表現を提案する。 提案手法はリンク予測と経路問合せ応答という2つのタスクのクラスで評価される。
  論文  参考訳（メタデータ） (2020-10-06T10:24:45Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• Mobility Inference on Long-Tailed Sparse Trajectory [2.4444287331956898]
  大規模トラジェクトリデータにおいて,汎用的な長い尾の空間パターンを利用する単一トラジェクトリ推論アルゴリズムを提案する。 このアルゴリズムは、リコールにおける証明可能な低いバウンドで、滞在/旅行推論における100%の精度を保証する。 都市ユーザ4000万人を対象とした3つの軌跡データセットによる評価は,提案アルゴリズムの性能保証を検証した。
  論文  参考訳（メタデータ） (2020-01-21T16:32:38Z)

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。