論文の概要: BERT4Traj: Transformer Based Trajectory Reconstruction for Sparse Mobility Data

• arxiv url: http://arxiv.org/abs/2507.03062v1
• Date: Thu, 03 Jul 2025 16:39:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.568499
• Title: BERT4Traj: Transformer Based Trajectory Reconstruction for Sparse Mobility Data
• Title（参考訳）: BERT4Traj:スパースモビリティデータのためのトランスフォーマに基づく軌道再構成
• Authors: Hao Yang, Angela Yao, Christopher Whalen, Gengchen Mai,
• Abstract要約: BERT4Trajは、スパース運動列の隠れた訪問を予測することで、完全な移動軌道を再構築するトランスフォーマーベースモデルである。 ウガンダのカンパラで収集された実世界のCDRとGPSデータに基づいてBERT4Trajを評価した。
• 参考スコア（独自算出の注目度）: 33.509692801580464
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Understanding human mobility is essential for applications in public health, transportation, and urban planning. However, mobility data often suffers from sparsity due to limitations in data collection methods, such as infrequent GPS sampling or call detail record (CDR) data that only capture locations during communication events. To address this challenge, we propose BERT4Traj, a transformer based model that reconstructs complete mobility trajectories by predicting hidden visits in sparse movement sequences. Inspired by BERT's masked language modeling objective and self_attention mechanisms, BERT4Traj leverages spatial embeddings, temporal embeddings, and contextual background features such as demographics and anchor points. We evaluate BERT4Traj on real world CDR and GPS datasets collected in Kampala, Uganda, demonstrating that our approach significantly outperforms traditional models such as Markov Chains, KNN, RNNs, and LSTMs. Our results show that BERT4Traj effectively reconstructs detailed and continuous mobility trajectories, enhancing insights into human movement patterns.
• Abstract（参考訳）: 公共衛生、交通、都市計画に応用するためには、人間の移動性を理解することが不可欠である。 しかし、モビリティデータは、GPSサンプリングやコール詳細記録(CDR)といった、通信イベント中の場所のみをキャプチャするデータ収集方法に制限があるため、しばしば疎結合に悩まされる。 この課題に対処するために,スパース動作列の隠れた訪問を予測することで,完全な移動軌道を再構成するトランスフォーマーベースモデルBERT4Trajを提案する。 BERTのマスク付き言語モデリング目標とself_attention メカニズムにインスパイアされたBERT4Trajは、空間埋め込み、時間埋め込み、人口統計やアンカーポイントのようなコンテキスト背景機能を活用する。 ウガンダのカンパラで収集された実世界のCDRとGPSのデータセットを用いてBERT4Trajを評価し、マルコフ・チェイン、KNN、RNN、LSTMといった従来のモデルよりも大幅に優れていることを示した。 以上の結果から,BERT4Trajは細部・連続的な移動軌道を効果的に再構築し,人間の運動パターンに対する洞察を高めた。

関連論文リスト

• STAMImputer: Spatio-Temporal Attention MoE for Traffic Data Imputation [36.880711201508085]
  既存のタイム・ツー・スペースのメソッドは、ブロック単位で欠落したデータシナリオの特徴を効果的に抽出することができないことが多い。 本稿では,トラフィックデータ計算のためのSTAMImputerという,専門家ネットワークの時空間注意混合方式を提案する。 その結果,STAMImputer は既存の SOTA 手法に比べて性能が大幅に向上した。
  論文  参考訳（メタデータ） (2025-06-09T04:05:00Z)
• Unified Human Localization and Trajectory Prediction with Monocular Vision [64.19384064365431]
  MonoTransmotionはトランスフォーマーベースのフレームワークで、モノクロカメラのみを使用して、ローカライゼーションと予測タスクを共同で解決する。 両タスクを統合フレームワークで共同でトレーニングすることにより,ノイズの多い入力による実環境シナリオにおいて,我々の手法がより堅牢であることを示す。
  論文  参考訳（メタデータ） (2025-03-05T14:18:39Z)
• Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach [54.84957282120537]
  本稿では,リンクレベルの自転車の体積をモデル化するためにGCNアーキテクチャを利用する最初の研究について述べる。 線形回帰、サポートベクターマシン、ランダムフォレストといった従来の機械学習モデルと比較した。 以上の結果から,GCNモデルは,年間平均自転車数(AADB)を予測する上で,従来のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-10-11T04:53:18Z)
• 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)
• ALF: Adaptive Label Finetuning for Scene Graph Generation [116.59868289196157]
  画像中の被写体と物体の関係を予測するためのシーングラフ生成の試み 関係の長期分布は、しばしば粗いラベルの偏りの予測につながり、SGGにおいて大きなハードルとなる。 我々はSGGに1段階のデータ転送パイプラインを導入し、ALF(Adaptive Label Finetuning)と呼ばれ、追加のトレーニングセッションを不要にする。 ALFは一般的なSGG法であるMotifに比べてmR@100が16%改善され、最先端のIETransに比べて計算コストは6%増加した。
  論文  参考訳（メタデータ） (2023-12-29T01:37:27Z)
• SOccDPT: Semi-Supervised 3D Semantic Occupancy from Dense Prediction Transformers trained under memory constraints [0.0]
  我々は高密度な予測変換器を用いた単眼画像からの3次元セマンティック占有予測のためのメモリ効率のよいSOccDPTを提案する。 我々の半教師付きトレーニングパイプラインにより、SOccDPTは限られたラベルを持つデータセットから学習することができる。 パッチワイズトレーニングを導入し、各エポックをトレーニングするパラメータのサブセットを選択し、オートグレードグラフ構築時のメモリ使用量を削減する。 構造化されていないトラフィックとメモリ制約のあるトレーニングと推論のコンテキストにおいて、SOccDPTは既存の格差推定アプローチより優れている。
  論文  参考訳（メタデータ） (2023-11-19T16:47:51Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
  軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
  論文  参考訳（メタデータ） (2022-04-21T23:01:21Z)

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。