論文の概要: Causality-Aware Next Location Prediction Framework based on Human Mobility Stratification

• arxiv url: http://arxiv.org/abs/2503.18179v1
• Date: Sun, 23 Mar 2025 19:30:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:31:09.936962
• Title: Causality-Aware Next Location Prediction Framework based on Human Mobility Stratification
• Title（参考訳）: 人間の移動戦略に基づく因果関係を考慮した次位置予測フレームワーク
• Authors: Xiaojie Yang, Zipei Fan, Hangli Ge, Takashi Michikata, Ryosuke Shibasaki, Noboru Koshizuka,
• Abstract要約: 本研究では,旅行パターンの移動性に着目した,次の位置予測のための因果認識フレームワークを提案する。 提案するフレームワークは,複数の次の位置予測パラダイムを統合するプラグイン・アンド・プレイモジュールとして設計されている。
• 参考スコア（独自算出の注目度）: 8.617901269321218
• License:
• Abstract: Human mobility data are fused with multiple travel patterns and hidden spatiotemporal patterns are extracted by integrating user, location, and time information to improve next location prediction accuracy. In existing next location prediction methods, different causal relationships that result from patterns in human mobility data are ignored, which leads to confounding information that can have a negative effect on predictions. Therefore, this study introduces a causality-aware framework for next location prediction, focusing on human mobility stratification for travel patterns. In our research, a novel causal graph is developed that describes the relationships between various input variables. We use counterfactuals to enhance the indirect effects in our causal graph for specific travel patterns: non-anchor targeted travels. The proposed framework is designed as a plug-and-play module that integrates multiple next location prediction paradigms. We tested our proposed framework using several state-of-the-art models and human mobility datasets, and the results reveal that the proposed module improves the prediction performance. In addition, we provide results from the ablation study and quantitative study to demonstrate the soundness of our causal graph and its ability to further enhance the interpretability of the current next location prediction models.
• Abstract（参考訳）: 人間の移動データを複数の移動パターンで融合し、ユーザ、位置情報、時刻情報を統合して、次の位置予測精度を向上させることで、隠された時空間パターンを抽出する。 既存の次の位置予測手法では、人間の移動データのパターンから生じる様々な因果関係は無視されるため、予測に悪影響を及ぼす可能性のある誤った情報が得られる。 そこで本研究では,旅行パターンの移動層化に着目した,次の位置予測のための因果認識フレームワークを提案する。 本研究では,入力変数間の関係を記述した新しい因果グラフを開発した。 我々は、特定の旅行パターンに対する因果グラフの間接効果を高めるために、カウンターファクトアルを使用します。 提案するフレームワークは,複数の次の位置予測パラダイムを統合するプラグイン・アンド・プレイモジュールとして設計されている。 提案手法は,複数の最先端モデルと人間の移動性データセットを用いて検証し,提案手法が予測性能を向上させることを示した。 さらに,現在位置予測モデルにおける因果グラフの音質と,その解釈可能性をさらに向上させる能力を示すために,アブレーション研究と定量的研究の結果を提示する。

関連論文リスト

• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Context-aware multi-head self-attentional neural network model for next location prediction [19.640761373993417]
  我々は、歴史的位置情報から位置パターンを学習するマルチヘッド自己注意ニューラルネットワーク(A)を利用する。 提案モデルが他の最先端予測モデルより優れていることを示す。 我々は,提案モデルが文脈を考慮した移動予測に不可欠であると信じている。
  論文  参考訳（メタデータ） (2022-12-04T23:40:14Z)
• How do you go where? Improving next location prediction by learning travel mode information using transformers [6.003006906852134]
  本稿では, トランスフォーマーデコーダに基づくニューラルネットワークを提案し, 過去の位置, 時間, 移動モードに基づいて, 個人が訪問する次の場所を予測する。 特に、次の旅行モードの予測は、ネットワークの学習をガイドする補助的なタスクとして設計されている。 実験の結果,提案手法は,他の最先端の次の位置予測手法よりも大幅に優れていることがわかった。
  論文  参考訳（メタデータ） (2022-10-08T19:36:58Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• MobTCast: Leveraging Auxiliary Trajectory Forecasting for Human Mobility Prediction [5.911865723926626]
  我々はモビリティ予測のためのトランスフォーマーベースのコンテキスト認識ネットワークであるMobTCastを提案する。 移動予測における4種類の文脈の影響について検討する:時間的・意味的・社会的・地理的文脈。 実験の結果、MobTCastは他の最先端の次世代POI予測手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-30T09:42:15Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Online Co-movement Pattern Prediction in Mobility Data [1.5790464310310084]
  私達は共同動きパターンのオンライン予測の問題の正確な解決を提供します。 本手法の精度を計算するために,共動パターン類似度測定法を提案する。 本ソリューションの精度は,海事領域の実際のデータセット上で実験的に実証される。
  論文  参考訳（メタデータ） (2021-02-17T17:01:32Z)
• Individual Mobility Prediction: An Interpretable Activity-based Hidden Markov Approach [6.1938383008964495]
  本研究では、個人移動予測のためのアクティビティに基づくモデリングフレームワークを開発する。 提案モデルでは,最先端の長期記憶モデル(LSTM)と同様の予測性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-01-11T16:11:27Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。