論文の概要: A Pseudo Markov-Chain Model and Time-Elapsed Measures of Mobility from Collective Data

• arxiv url: http://arxiv.org/abs/2502.04162v1
• Date: Thu, 06 Feb 2025 15:46:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:33:28.327213
• Title: A Pseudo Markov-Chain Model and Time-Elapsed Measures of Mobility from Collective Data
• Title（参考訳）: Pseudo Markov-Chainモデルと集団データからのモビリティの経時的測定
• Authors: Alisha Foster, David A. Meyer, Asif Shakeel,
• Abstract要約: 時系列として与えられた時間と空間の集合的移動データから複数区間にわたる時間経過フローを理解するための擬似マルコフ連鎖モデルを開発した。 我々は、ジャイレーション半径など、個々のモビリティデータに類似したモビリティの尺度を開発する。 我々はこれらの対策をNetMob 2024 Data Challengeデータに適用し、都市の統計や通勤パターンと一致する興味深い結果を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In this paper we develop a pseudo Markov-chain model to understand time-elapsed flows, over multiple intervals, from time and space aggregated collective inter-location trip data, given as a time-series. Building on the model, we develop measures of mobility that parallel those known for individual mobility data, such as the radius of gyration. We apply these measures to the NetMob 2024 Data Challenge data, and obtain interesting results that are consistent with published statistics and commuting patterns in cities. Besides building a new framework, we foresee applications of this approach to an improved understanding of human mobility in the context of environmental changes and sustainable development.
• Abstract（参考訳）: 本稿では,時系列として与えられる時間と空間の集合的移動データから,複数区間にわたる時間経過フローを理解するための擬似マルコフ連鎖モデルを開発する。 モデルに基づいて,ジャイレーション半径など,個々のモビリティデータに類似したモビリティの尺度を開発する。 我々はこれらの対策をNetMob 2024 Data Challengeデータに適用し、都市の統計や通勤パターンと一致する興味深い結果を得る。 新たな枠組みの構築に加えて, 環境変化や持続可能な開発という文脈において, 人間のモビリティの理解を深めるために, このアプローチの応用を予見する。

関連論文リスト

• A Universal Model for Human Mobility Prediction [7.542075639525391]
  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。
  論文  参考訳（メタデータ） (2024-12-19T07:38:13Z)
• ST-MoE-BERT: A Spatial-Temporal Mixture-of-Experts Framework for Long-Term Cross-City Mobility Prediction [6.0588503913405045]
  我々はST-MoE-BERTと呼ばれる人間の移動パターンを予測する頑健な手法を提案する。 本手法は,Mixture-of-ExpertsアーキテクチャとBERTモデルを統合し,複雑な移動力学を捉える。 本稿では,GEO-BLEUおよびDTWにおける提案手法の有効性について述べる。
  論文  参考訳（メタデータ） (2024-10-18T00:32:18Z)
• 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)
• Deep Temporal Deaggregation: Large-Scale Spatio-Temporal Generative Models [5.816964541847194]
  本稿では,最新技術よりもパフォーマンスとスケールが大幅に向上する時系列の変圧器に基づく拡散モデルTDDPMを提案する。 これは、いくつかのシーケンス長、標準データセット、評価尺度にまたがる新しい包括的なベンチマークで評価される。
  論文  参考訳（メタデータ） (2024-06-18T09:16:11Z)
• 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)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• 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)
• Estimating Latent Population Flows from Aggregated Data via Inversing Multi-Marginal Optimal Transport [57.16851632525864]
  累積カウントデータから潜在人口フローを推定する問題について検討する。 この問題は、プライバシーの問題や測定の不確実性のために個々の軌道が利用できない場合に発生する。 我々はMOTフレームワークのコスト関数を学習し,集約データからの遷移フローを推定する。
  論文  参考訳（メタデータ） (2022-12-30T03:03:23Z)
• AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
  AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。 本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
  論文  参考訳（メタデータ） (2021-01-03T15:45:35Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。