論文の概要: Predicting Human Mobility in Disasters via LLM-Enhanced Cross-City Learning

• arxiv url: http://arxiv.org/abs/2507.19737v1
• Date: Sat, 26 Jul 2025 01:45:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:56.084516
• Title: Predicting Human Mobility in Disasters via LLM-Enhanced Cross-City Learning
• Title（参考訳）: LLMによる都市横断学習による災害時の人体移動予測
• Authors: Yinzhou Tang, Huandong Wang, Xiaochen Fan, Yong Li,
• Abstract要約: DisasterMobLLMは、災害シナリオのモビリティ予測フレームワークである。 既存のディープモビリティ予測手法に統合することができる。 Acc@1の32.8%の改善とF1スコアの35.0%の改善を達成できる。
• 参考スコア（独自算出の注目度）: 11.567067262043544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The vulnerability of cities to natural disasters has increased with urbanization and climate change, making it more important to predict human mobility in the disaster scenarios for downstream tasks including location-based early disaster warning and pre-allocating rescue resources, etc. However, existing human mobility prediction models are mainly designed for normal scenarios, and fail to adapt to disaster scenarios due to the shift of human mobility patterns under disaster. To address this issue, we introduce \textbf{DisasterMobLLM}, a mobility prediction framework for disaster scenarios that can be integrated into existing deep mobility prediction methods by leveraging LLMs to model the mobility intention and transferring the common knowledge of how different disasters affect mobility intentions between cities. This framework utilizes a RAG-Enhanced Intention Predictor to forecast the next intention, refines it with an LLM-based Intention Refiner, and then maps the intention to an exact location using an Intention-Modulated Location Predictor. Extensive experiments illustrate that DisasterMobLLM can achieve a 32.8\% improvement in terms of Acc@1 and a 35.0\% improvement in terms of the F1-score of predicting immobility compared to the baselines. The code is available at https://github.com/tsinghua-fib-lab/DisasterMobLLM.
• Abstract（参考訳）: 都市部における自然災害への脆弱性は、都市化や気候変動によって増大し、位置情報に基づく早期災害警報や救助資源の事前配置など、下流業務における災害シナリオにおける人間の移動性を予測することがより重要になっている。 しかし,既存の人体移動予測モデルは主に通常のシナリオのために設計されており,災害時の人体移動パターンの変化により災害シナリオに適応できない。 この問題を解決するために, 災害シナリオの移動予測フレームワークである \textbf{DisasterMobLLM} を導入し, LLM をモデルとして, 異なる災害が都市間の移動意図にどう影響するかの共通知識を伝達することにより, 既存の深層移動予測手法に統合することができる。 このフレームワークは、RAG強化意図予測器を使用して次の意図を予測し、LSMベースの意図予測器でそれを洗練し、意図を意図変更位置予測器を使用して正確な位置へマッピングする。 大規模な実験により、ディザスタマモブLLMはAcc@1で32.8 %、F1スコアで35.0 %改善できることがわかった。 コードはhttps://github.com/tsinghua-fib-lab/DisasterMobLLMで公開されている。

関連論文リスト

• FloGAN: Scenario-Based Urban Mobility Flow Generation via Conditional GANs and Dynamic Region Decoupling [2.579904461452466]
  既存の生成モデルは歴史的軌跡に大きく依存しており、人口密度や土地利用の変化のような進化する要因を見落としていることが多い。 力学的なアプローチは人口密度と施設分布を取り入れているが、静的シナリオを仮定する。 本研究では,シミュレーション都市シナリオに適した原位置移動フローを生成するためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2025-07-16T09:12:38Z)
• Into the Unknown: Applying Inductive Spatial-Semantic Location Embeddings for Predicting Individuals' Mobility Beyond Visited Places [3.131843231859519]
  CaLLiPerは、コントラスト学習を通じて関心点の空間座標と意味的特徴を融合する表現学習フレームワークである。 本研究は, マルチモーダル・インダクティブな位置埋め込みが, 人間の移動予測システムの能力向上に有効であることを示すものである。
  論文  参考訳（メタデータ） (2025-06-17T00:00:09Z)
• Climate Adaptation with Reinforcement Learning: Experiments with Flooding and Transportation in Copenhagen [3.4447242282168777]
  洪水は交通インフラを損傷させ、モビリティを阻害し、都市がリスクの増大に適応する必要性を浮き彫りにする。 本研究では,Reinforcement Learning(RL)を用いて,最も効果的なタイミングと実施場所を特定する。 当社の枠組みは,将来の降雨や洪水の気候変動予測を統合し,都市全体の自動車化旅行をモデル化し,インフラと移動性に対する直接的および間接的な影響を定量化する。
  論文  参考訳（メタデータ） (2024-09-27T09:18:57Z)
• Annealed Winner-Takes-All for Motion Forecasting [48.200282332176094]
  本稿では,AWTAの損失を最先端のモーション予測モデルと統合して性能を向上させる方法を示す。 我々の手法は、WTAを用いて訓練された任意の軌道予測モデルに容易に組み込むことができる。
  論文  参考訳（メタデータ） (2024-09-17T13:26:17Z)
• AgentMove: A Large Language Model based Agentic Framework for Zero-shot Next Location Prediction [7.007450097312181]
  本稿では,汎用的な次の位置予測を実現するためのエージェント予測フレームワークであるAgentMoveを紹介する。 AgentMoveでは、まず移動予測タスクを分解し、個々の移動パターンマイニングのための時空間記憶を含む特定のモジュールを設計する。 2つの異なる情報源によるモビリティデータを用いた実験により、AgentMoveは12の指標のうち8つの指標のうち3.33%から8.57%を突破した。
  論文  参考訳（メタデータ） (2024-08-26T02:36:55Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Motion-Scenario Decoupling for Rat-Aware Video Position Prediction: Strategy and Benchmark [49.58762201363483]
  本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。 本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。 難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-05-17T14:14:31Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• A Machine learning approach for rapid disaster response based on multi-modal data. The case of housing & shelter needs [0.0]
  災害に遭った人々の最も直接的なニーズの1つは避難所を見つけることである。 本稿では,マルチモーダルデータの融合と解析を目的とした機械学習ワークフローを提案する。 世界中の200以上の災害に対する19の特徴のデータベースに基づいて、意思決定レベルでの融合アプローチが用いられた。
  論文  参考訳（メタデータ） (2021-07-29T18:22:34Z)
• A model for traffic incident prediction using emergency braking data [77.34726150561087]
  道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。 メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-02-12T18:17:12Z)
• Adaptive Reinforcement Learning Model for Simulation of Urban Mobility during Crises [2.5876546798940616]
  本研究では,通常の状況下で人間の移動パターンを学習できる適応型強化学習モデルを提案し,検証する。 提案したモデルの適用例は,ヒューストンの状況と,2017年8月にハリケーン・ハーベイによって引き起こされた洪水シナリオに示されている。
  論文  参考訳（メタデータ） (2020-09-02T21:47:18Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。