論文の概要: Learning Universal Human Mobility Patterns with a Foundation Model for Cross-domain Data Fusion

• arxiv url: http://arxiv.org/abs/2503.15779v2
• Date: Thu, 17 Jul 2025 02:52:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-18 15:53:04.499087
• Title: Learning Universal Human Mobility Patterns with a Foundation Model for Cross-domain Data Fusion
• Title（参考訳）: クロスドメインデータ融合の基礎モデルを用いたユニバーサルヒューマンモビリティパターンの学習
• Authors: Haoxuan Ma, Xishun Liao, Yifan Liu, Qinhua Jiang, Chris Stanford, Shangqing Cao, Jiaqi Ma,
• Abstract要約: ユニバーサルな人体移動のための基盤モデルフレームワークを提案する。 制限に対処するために、クロスドメインデータ融合と大きな言語モデルを活用します。 我々のフレームワークはドメイン転送技術による適応性を実証する。
• 参考スコア（独自算出の注目度）: 11.332722237426987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human mobility modeling is critical for urban planning and transportation management, yet existing approaches often lack the integration capabilities needed to handle diverse data sources. We present a foundation model framework for universal human mobility patterns that leverages cross-domain data fusion and large language models to address these limitations. Our approach integrates multi-modal data of distinct nature and spatio-temporal resolution, including geographical, mobility, socio-demographic, and traffic information, to construct a privacy-preserving and semantically enriched human travel trajectory dataset. Our framework demonstrates adaptability through domain transfer techniques that ensure transferability across diverse urban contexts, as evidenced in case studies of Los Angeles (LA) and Egypt. The framework employs LLMs for semantic enrichment of trajectory data, enabling comprehensive understanding of mobility patterns. Quantitative evaluation shows that our generated synthetic dataset accurately reproduces mobility patterns observed in empirical data. The practical utility of this foundation model approach is demonstrated through large-scale traffic simulations for LA County, where results align well with observed traffic data. On California's I-405 corridor, the simulation yields a Mean Absolute Percentage Error of 5.85% for traffic volume and 4.36% for speed compared to Caltrans PeMS observations, illustrating the framework's potential for intelligent transportation systems and urban mobility applications.
• Abstract（参考訳）: ヒトのモビリティモデリングは都市計画や交通管理において重要であるが、既存のアプローチでは多様なデータソースを扱うために必要な統合機能が欠如していることが多い。 本稿では、これらの制限に対処するために、クロスドメインデータ融合と大規模言語モデルを活用する、ユニバーサルなヒューマンモビリティパターンのための基盤モデルフレームワークを提案する。 提案手法は,地理的,モビリティ,社会デデログラフィ,交通情報など,異なる性質と時空間分解のマルチモーダルデータを統合し,プライバシー保護とセマンティックに強化された人間の旅行トラジェクトリデータセットを構築する。 本フレームワークは,ロサンゼルス(ロサンゼルス)とエジプトのケーススタディで実証されているように,多様な都市環境における転送可能性を保証するドメイン転送技術による適応性を示す。 このフレームワークは、軌跡データのセマンティックエンリッチメントにLLMを使用し、移動パターンの包括的理解を可能にする。 定量的評価により, 生成した合成データセットは, 経験的データで観測された移動パターンを正確に再現することがわかった。 この基礎モデルアプローチの実用性は、LA郡の大規模交通シミュレーションを通じて実証され、その結果は観測された交通データとよく一致している。 カリフォルニアのI-405回廊では、交通量の5.85%、速度の4.36%という平均絶対値の誤差がカルトランスのPeMSの観測結果と比較され、インテリジェントな交通システムと都市移動アプリケーションに対するフレームワークの可能性を示している。

関連論文リスト

• CAMS: A CityGPT-Powered Agentic Framework for Urban Human Mobility Simulation [9.907406552578607]
  textbfCAMSは、言語に基づく都市基盤モデルを利用して都市空間における人間の移動をシミュレートするエージェントフレームワークである。 textbfCAMSは、外部に提供された地理空間情報に頼ることなく、優れた性能を達成する。
  論文  参考訳（メタデータ） (2025-06-16T15:24:07Z)
• TrajMoE: Spatially-Aware Mixture of Experts for Unified Human Mobility Modeling [10.338272381612112]
  都市間モビリティモデリングのための統一的でスケーラブルなモデルであるTrajMoEを提案する。 TrajMoEは,(1)都市間における空間意味論の不整合,(2)多様な都市移動パターンの2つの課題に対処する。 広範な実験により、TrajMoEは競争力基盤モデルよりも27%の相対的な改善を達成している。
  論文  参考訳（メタデータ） (2025-05-24T12:17:47Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• A Survey of World Models for Autonomous Driving [63.33363128964687]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 本稿では、自律運転の世界モデルにおける最近の進歩を体系的にレビューする。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• Reconstructing Human Mobility Pattern: A Semi-Supervised Approach for Cross-Dataset Transfer Learning [10.864774173935535]
  セマンティック・アクティビティ・チェーンに着目し,人間のモビリティ・パターンを再構築し,学習するモデルを開発した。 本稿では,多様な地理的文脈にモデルを適応させるために,半教師付き反復移動学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:29:56Z)
• IBB Traffic Graph Data: Benchmarking and Road Traffic Prediction Model [0.24999074238880487]
  道路交通渋滞予測はインテリジェント交通システムにおいて重要な要素である。 IBB Traffic Graphデータセットは、2451の異なる場所で収集されたセンサーデータをカバーしている。 本稿では,機能工学を通して時間的リンクを強化する道路交通予測モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-02T05:23:19Z)
• Urban Traffic Forecasting with Integrated Travel Time and Data Availability in a Conformal Graph Neural Network Framework [0.6554326244334868]
  最先端のモデルは、可能な限り最良の方法でデータを考えるのに苦労することが多い。 本稿では,駅間の移動時間をグラフニューラルネットワークアーキテクチャの重み付き隣接行列に組み込む新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-07-17T01:11:07Z)
• Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
  実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。 我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。 あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
  論文  参考訳（メタデータ） (2024-07-03T16:08:05Z)
• Deep Activity Model: A Generative Approach for Human Mobility Pattern Synthesis [11.90100976089832]
  我々は,人間の移動性モデリングと合成のための新しい生成的深層学習手法を開発した。 オープンソースのデータを使って、アクティビティパターンとロケーショントラジェクトリの両方を組み込む。 モデルはローカルデータで微調整できるため、さまざまな領域にわたるモビリティパターンを正確に表現することができる。
  論文  参考訳（メタデータ） (2024-05-24T02:04:10Z)
• 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)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)
• Traffic Prediction with Transfer Learning: A Mutual Information-based Approach [11.444576186559487]
  そこで我々は,他の都市からのビッグデータを用いて交通予測を行う都市間交通予測手法であるTrafficTLを提案する。 TrafficTLは3つの実世界のデータセットの包括的なケーススタディによって評価され、最先端のベースラインを約8～25%上回る。
  論文  参考訳（メタデータ） (2023-03-13T15:27:07Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• Multi-Graph Fusion Networks for Urban Region Embedding [40.97361959702485]
  ヒトの移動データから都市部の埋め込みを学習することで、地域の機能を明らかにすることができ、犯罪予測のような相関性はあるものの異なるタスクを可能にする。 クロスドメイン予測タスクを実現するために,MGFN(Multi-graph fusion Network)を提案する。 実験の結果、提案されたMGFNは最先端の手法よりも最大12.35%優れていた。
  論文  参考訳（メタデータ） (2022-01-24T15:48:50Z)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)
• 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)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)

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。