論文の概要: A Gravity-informed Spatiotemporal Transformer for Human Activity Intensity Prediction

• arxiv url: http://arxiv.org/abs/2506.13678v2
• Date: Wed, 18 Jun 2025 16:04:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.389341
• Title: A Gravity-informed Spatiotemporal Transformer for Human Activity Intensity Prediction
• Title（参考訳）: 重力インフォームド時空間変圧器による人間の活動強度予測
• Authors: Yi Wang, Zhenghong Wang, Fan Zhang, Chengling Tang, Chaogui Kang, Di Zhu, Zhongfu Ma, Sijie Ruan, Weiyu Zhang, Yu Zheng, Philip S. Yu, Yu Liu,
• Abstract要約: 本研究は,物理インフォームド・ディープラーニング・フレームワーク,すなわち重力インフォームド・テンポラル・トランス(重力フォーマ)を提案する。 人間の活動の基本的な法則は、提案された適応重力モデルによって明確にモデル化することができる。 6つの実世界の大規模活動データセットの実験は、我々のアプローチが最先端のベンチマークよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 38.98706592466946
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Human activity intensity prediction is a crucial to many location-based services. Although tremendous progress has been made to model dynamic spatiotemporal patterns of human activity, most existing methods, including spatiotemporal graph neural networks (ST-GNNs), overlook physical constraints of spatial interactions and the over-smoothing phenomenon in spatial correlation modeling. To address these limitations, this work proposes a physics-informed deep learning framework, namely Gravity-informed Spatiotemporal Transformer (Gravityformer) by refining transformer attention to integrate the universal law of gravitation and explicitly incorporating constraints from spatial interactions. Specifically, it (1) estimates two spatially explicit mass parameters based on inflow and outflow, (2) models the likelihood of cross-unit interaction using closed-form solutions of spatial interactions to constrain spatial modeling randomness, and (3) utilizes the learned spatial interaction to guide and mitigate the over-smoothing phenomenon in transformer attention matrices. The underlying law of human activity can be explicitly modeled by the proposed adaptive gravity model. Moreover, a parallel spatiotemporal graph convolution transformer structure is proposed for achieving a balance between coupled spatial and temporal learning. Systematic experiments on six real-world large-scale activity datasets demonstrate the quantitative and qualitative superiority of our approach over state-of-the-art benchmarks. Additionally, the learned gravity attention matrix can be disentangled and interpreted based on geographical laws. This work provides a novel insight into integrating physical laws with deep learning for spatiotemporal predictive learning.
• Abstract（参考訳）: 人間の活動強度の予測は多くの位置情報ベースのサービスにとって不可欠である。 人間の活動の動的時空間パターンをモデル化するための大きな進歩があったが、時空間グラフニューラルネットワーク(ST-GNN)などの既存の手法では、空間的相互作用の物理的制約や空間的相関モデリングにおける過度なスムーシング現象を見落としている。 これらの制約に対処するため、この研究は重力インフォームド時空間変換器(グラビティフォーマ)という物理インフォームド深層学習フレームワークを提案し、変換器の注意を改良して重力の普遍的な法則を統合し、空間的相互作用から制約を明示的に取り入れた。 具体的には,(1)インフローとアウトフローに基づいて2つの空間的明示的な質量パラメータを推定し,(2)空間的相互作用の閉形式解を用いて空間的モデリングランダム性を制約し,(3)学習された空間的相互作用を用いてトランスフォーマー・アテンション行列の過密現象を誘導・緩和する。 人間の活動の基本的な法則は、提案された適応重力モデルによって明確にモデル化することができる。 さらに,空間学習と時間学習のバランスをとるために,並列時空間グラフ畳み込み変換器構造を提案する。 6つの実世界の大規模活動データセットの体系的な実験は、最先端のベンチマークに対する我々のアプローチの量的および質的な優位性を実証している。 さらに、学習された重力アテンション行列は、地理的な法則に基づいて歪んだり解釈したりすることができる。 この研究は、時空間予測学習のための深層学習と物理法則の統合に関する新しい洞察を提供する。

関連論文リスト

• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Motion Prediction via Joint Dependency Modeling in Phase Space [40.54430409142653]
  我々は、運動解剖学の明示的な事前知識を活用するために、新しい畳み込みニューラルモデルを導入する。 次に,個々の関節機能間の暗黙的関係を学習するグローバル最適化モジュールを提案する。 本手法は,大規模な3次元人体動作ベンチマークデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2022-01-07T08:30:01Z)
• Physics-Coupled Spatio-Temporal Active Learning for Dynamical Systems [15.923190628643681]
  主な課題の1つは、認識されたデータストリームを生成する根本原因を推測することである。 機械学習ベースの予測モデルの成功は、モデルトレーニングに大量の注釈付きデータを必要とする。 提案するST-PCNNは, 実世界のデータセットと実世界のデータセットの両方において, 極めて少ないインスタンスで最適精度に収束することを示した。
  論文  参考訳（メタデータ） (2021-08-11T18:05:55Z)

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。