論文の概要: Breaking Data Silos: Towards Open and Scalable Mobility Foundation Models via Generative Continual Learning

• arxiv url: http://arxiv.org/abs/2506.06694v2
• Date: Sun, 17 Aug 2025 05:31:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.057204
• Title: Breaking Data Silos: Towards Open and Scalable Mobility Foundation Models via Generative Continual Learning
• Title（参考訳）: データのサイロを破る - 生成的連続学習を通じて、オープンかつスケーラブルなモビリティ基盤モデルを目指す
• Authors: Yuan Yuan, Yukun Liu, Chonghua Han, Jie Feng, Yong Li,
• Abstract要約: 人間の移動予測は、都市計画、交通の最適化、パーソナライズされたサービスにとって不可欠である。 既存のソリューションでは、異なる空間表現と地理的カバレッジのために、各都市の個別のモデルを訓練する必要があることが多い。 マルチシティ・ヒューマンモビリティ予測のための統一モデルUniMoveを提案する。
• 参考スコア（独自算出の注目度）: 8.669625027475366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human mobility prediction is vital for urban planning, transportation optimization, and personalized services. However, the inherent randomness, non-uniform time intervals, and complex patterns of human mobility, compounded by the heterogeneity introduced by varying city structures, infrastructure, and population densities, present significant challenges in modeling. Existing solutions often require training separate models for each city due to distinct spatial representations and geographic coverage. In this paper, we propose UniMove, a unified model for multi-city human mobility prediction, addressing two challenges: (1) constructing universal spatial representations for effective token sharing across cities, and (2) modeling heterogeneous mobility patterns from varying city characteristics. We propose a trajectory-location dual-tower architecture, with a location tower for universal spatial encoding and a trajectory tower for sequential mobility modeling. We also design MoE Transformer blocks to adaptively select experts to handle diverse movement patterns. Extensive experiments across multiple datasets from diverse cities demonstrate that UniMove truly embodies the essence of a unified model. By enabling joint training on multi-city data with mutual data enhancement, it significantly improves mobility prediction accuracy by over 10.2\%. UniMove represents a key advancement toward realizing a true foundational model with a unified architecture for human mobility. We release the implementation at https://github.com/tsinghua-fib-lab/UniMove/.
• Abstract（参考訳）: 人間の移動予測は、都市計画、交通の最適化、パーソナライズされたサービスにとって不可欠である。 しかし, 都市構造, インフラ, 人口密度の異質性によって混ざり合った自然ランダム性, 非一様時間間隔, 人体移動の複雑なパターンは, モデリングにおいて重要な課題を呈している。 既存のソリューションでは、異なる空間表現と地理的カバレッジのために、各都市の別々のモデルを訓練する必要があることが多い。 本稿では,都市間における効果的なトークン共有のための普遍的空間表現の構築と,異なる都市特性から異種移動パターンをモデル化する,多都市移動予測のための統一モデルUniMoveを提案する。 本研究では、空間符号化のための位置タワーと、逐次モビリティモデリングのための軌道タワーを備えた軌道配置二重塔アーキテクチャを提案する。 また、様々な動きパターンを扱うために専門家を適応的に選択するためにMoE Transformerブロックを設計する。 多様な都市の複数のデータセットにわたる大規模な実験は、UniMoveが真に統一されたモデルの本質を具現化していることを示している。 相互データ強化を伴うマルチシティデータの共同トレーニングを可能にすることにより、モビリティ予測精度を10.2\%以上向上する。 UniMoveは、人間の移動性のための統一されたアーキテクチャで真の基盤モデルを実現するための重要な進歩である。 実装はhttps://github.com/tsinghua-fib-lab/UniMove/で公開しています。

関連論文リスト

• From Seeing to Experiencing: Scaling Navigation Foundation Models with Reinforcement Learning [59.88543114325153]
  本稿では,航法基礎モデルの強化学習能力を高めるためのSeeing-to-Experiencingフレームワークを提案する。 S2Eは、ビデオの事前トレーニングとRLによるポストトレーニングの長所を組み合わせたものだ。 実世界のシーンを3DGSで再現した3D画像に基づく総合的なエンドツーエンド評価ベンチマークであるNavBench-GSを構築した。
  論文  参考訳（メタデータ） (2025-07-29T17:26:10Z)
• 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)
• FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors [50.131271229165165]
  Federated Learning (FL)は、分散機械学習のための有望なフレームワークとして登場した。 ユーザの行動、好み、デバイス特性の相違から生じるデータの異質性は、連合学習にとって重要な課題である。 本稿では,学習過程におけるクライアントベクトルに基づくアダプティブ重み付けを適応的に調整する手法であるAdaptive Weight Aggregation (FedAWA)を提案する。
  論文  参考訳（メタデータ） (2025-03-20T04:49:40Z)
• TrajLLM: A Modular LLM-Enhanced Agent-Based Framework for Realistic Human Trajectory Simulation [3.8106509573548286]
  この作業は、Large Language Models(LLM)を活用して人間のモビリティをシミュレートし、従来のモデルにおける高コストやプライバシの問題に対処する。 我々の階層的枠組みは、実世界の人口統計と心理データを用いて、ペルソナ生成、活動選択、目的地予測を統合している。
  論文  参考訳（メタデータ） (2025-02-26T00:13:26Z)
• Pre-Trained Video Generative Models as World Simulators [59.546627730477454]
  本研究では,事前学習した映像生成モデルを制御可能な世界シミュレータに変換するための動的世界シミュレーション(DWS)を提案する。 条件付き動作と生成した視覚的変化の正確なアライメントを実現するために,軽量で普遍的な動作条件付きモジュールを導入する。 実験により、DWSは拡散モデルと自己回帰変換モデルの両方に汎用的に適用可能であることが示された。
  論文  参考訳（メタデータ） (2025-02-10T14:49:09Z)
• 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)
• Long Term Memory: The Foundation of AI Self-Evolution [48.39506286931116]
  GPTのような大規模な言語モデル(LLM)は、膨大なデータセットに基づいてトレーニングされており、言語理解、推論、計画において印象的な能力を示している。 ほとんどの研究は、より強力な基盤モデルを構築するために、より大規模なデータセットをトレーニングすることで、これらのモデルを強化することに重点を置いている。 大規模なトレーニングとは異なり、推論中にモデルを進化させることは、AIの自己進化(self-evolution)と呼ばれるプロセスと同等に重要である。
  論文  参考訳（メタデータ） (2024-10-21T06:09:30Z)
• 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)
• Human Mobility Modeling with Household Coordination Activities under Limited Information via Retrieval-Augmented LLMs [11.90100976089832]
  本稿では,公共のアクセス可能な統計情報と社会デミノグラフィ情報のみを用いて,家計調整による活動連鎖を生成する大規模言語モデル (LLM) フレームワークを提案する。 NHTS と SCAG-ABM データセットによる検証により,モビリティデータに制限のある領域に対して,効果的なモビリティ合成と強い適応性を示す。
  論文  参考訳（メタデータ） (2024-09-26T03:07:32Z)
• Chain-of-Planned-Behaviour Workflow Elicits Few-Shot Mobility Generation in LLMs [20.70758465552438]
  チェーン・オブ・プランテッド・ビヘイビアは、移動意図発生の誤り率を57.8%から19.4%に大幅に下げる。 重力モデルのようなメカニスティックモビリティモデルは、移動意図を物理的モビリティに効果的にマッピングできる。 提案した CoPB ワークフローは GPT-4-turbo を容易にして,移動行動推論のための高品質なラベルを自動生成する。
  論文  参考訳（メタデータ） (2024-02-15T09:58:23Z)
• MobilityGPT: Enhanced Human Mobility Modeling with a GPT model [12.01839817432357]
  我々はこれらの問題に対処するために、自己回帰生成タスクとして、人間のモビリティモデリングを再構築する。 本稿では,ジオスパティカル・アウェア・ジェネレーティブ・モデルであるモビリティGPTを提案する。 実世界のデータセットの実験では、モビリティGPTは最先端の手法よりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-05T18:22:21Z)
• Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
  ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。 しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。 これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
  論文  参考訳（メタデータ） (2023-04-05T07:28:33Z)
• Rethinking Architecture Design for Tackling Data Heterogeneity in Federated Learning [53.73083199055093]
  注意に基づくアーキテクチャ(例えばTransformers)は、分散シフトに対してかなり堅牢であることを示す。 我々の実験は、畳み込みネットワークをトランスフォーマーに置き換えることによって、過去のデバイスを壊滅的に忘れることを大幅に減らせることを示した。
  論文  参考訳（メタデータ） (2021-06-10T21:04:18Z)

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。