論文の概要: Graph Network Modeling Techniques for Visualizing Human Mobility Patterns

• arxiv url: http://arxiv.org/abs/2504.03119v1
• Date: Fri, 04 Apr 2025 02:21:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 21:21:04.262264
• Title: Graph Network Modeling Techniques for Visualizing Human Mobility Patterns
• Title（参考訳）: 人体移動パターンの可視化のためのグラフネットワークモデリング技術
• Authors: Sinjini Mitra, Anuj Srivastava, Avipsa Roy, Pavan Turaga,
• Abstract要約: グラフを連続空間に埋め込むことにより,高速なグラフマッチング,グラフ時系列モデリング,移動力学の可視化といった問題を軽減する手法を開発した。 本研究では,トラジェクトリから収集したモビリティデータをネットワーク構造やモビリティフローの変化パターンに変換する方法を実証し,マッチンググラフと未マッチンググラフの平均誤差を40%減少させるダウンストリームタスクに利用できることを示した。
• 参考スコア（独自算出の注目度）: 8.537183852577687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human mobility analysis at urban-scale requires models to represent the complex nature of human movements, which in turn are affected by accessibility to nearby points of interest, underlying socioeconomic factors of a place, and local transport choices for people living in a geographic region. In this work, we represent human mobility and the associated flow of movements as a grapyh. Graph-based approaches for mobility analysis are still in their early stages of adoption and are actively being researched. The challenges of graph-based mobility analysis are multifaceted - the lack of sufficiently high-quality data to represent flows at high spatial and teporal resolution whereas, limited computational resources to translate large voluments of mobility data into a network structure, and scaling issues inherent in graph models etc. The current study develops a methodology by embedding graphs into a continuous space, which alleviates issues related to fast graph matching, graph time-series modeling, and visualization of mobility dynamics. Through experiments, we demonstrate how mobility data collected from taxicab trajectories could be transformed into network structures and patterns of mobility flow changes, and can be used for downstream tasks reporting approx 40% decrease in error on average in matched graphs vs unmatched ones.
• Abstract（参考訳）: 都市規模での人間のモビリティ分析には、人間の運動の複雑な性質を表現するモデルが必要であり、そのモデルには、近隣の関心点へのアクセシビリティ、ある場所の社会経済的要因、地理的地域に住む人々に対する地域交通の選択の影響がある。 本研究では,人間の移動と運動の流れをグッピーとして表現する。 モビリティ分析のためのグラフベースのアプローチは、まだ導入の初期段階にあり、積極的に研究されている。 グラフベースのモビリティ分析の課題は多面的であり、高空間分解能とテポラル分解能のフローを表現するための十分な高品質なデータが欠如している一方で、大量のモビリティデータをネットワーク構造に変換するための限られた計算資源や、グラフモデルに固有の問題などである。 本研究は,グラフを連続空間に埋め込むことにより,高速なグラフマッチング,グラフ時系列モデリング,移動力学の可視化といった問題を軽減する手法を開発した。 実験により,分類軌道から収集したモビリティデータをネットワーク構造やモビリティフローの変化パターンに変換する方法を実証し,マッチンググラフと未マッチンググラフの平均誤差を40%減少させるダウンストリームタスクに利用できることを示した。

関連論文リスト

• Identifying and Characterising Higher Order Interactions in Mobility Networks Using Hypergraphs [1.1060425537315088]
  本研究では,時間的観測窓を利用したグループ間相互作用抽出モデルであるコビジュエーションハイパーグラフを提案する。 パターンマイニングを頻繁に行うことで,異なる空間的・時間的スケールにわたる動的移動挙動を捉えたハイパーグラフを構築した。 我々のハイパーグラフに基づくモビリティ分析フレームワークは,様々な分野に適用可能なツールとして有用であることを示す。
  論文  参考訳（メタデータ） (2025-03-24T11:29:06Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献をよりよく理解するために,既存の手法をモデル中心およびデータ中心のアプローチに分類する系統分類を導入した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• Deep Learning-driven Mobile Traffic Measurement Collection and Analysis [0.43512163406552007]
  本稿では,空間的・時間的領域において,深層学習(DL)技術の強力な階層的特徴学習能力を利用する。 そこで我々は,都市規模の交通分析と予測のためのソリューションを開発した。
  論文  参考訳（メタデータ） (2024-10-14T06:53:45Z)
• 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)
• 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)
• Dynamic Graph Unlearning: A General and Efficient Post-Processing Method via Gradient Transformation [24.20087360102464]
  動的グラフアンラーニングを初めて研究し、DGNNアンラーニングを実装するための効率的で効率的で汎用的で後処理手法を提案する。 提案手法は,将来的な未学習要求を処理できる可能性があり,性能が大幅に向上する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• Graph Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
  グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。 既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。 本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
  論文  参考訳（メタデータ） (2024-02-26T07:52:40Z)
• 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)
• Spatial-Temporal Graph Learning with Adversarial Contrastive Adaptation [19.419836274690816]
  効率的な自己教師型学習を実現するための空間時空間グラフ学習モデル(GraphST)を提案する。 提案手法は, 重要な多視点自己教師情報の蒸留を自動化する, 対向的コントラスト学習パラダイムである。 実生活データセット上での様々な時空間予測タスクにおいて,提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2023-06-19T03:09:35Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Flow descriptors of human mobility networks [0.0]
  本研究では,モビリティネットワークの流れとトポロジを特徴付けるシステム解析を提案し,その影響を個別のトレースに評価する。 この枠組みは, 都市計画の評価, 交通の最適化, 外部イベントや状況の影響の計測, 内部動態のモニタリング, 利用者の行動パターンに応じたプロファイル化に適している。
  論文  参考訳（メタデータ） (2020-03-16T15:27:00Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。