論文の概要: UniMove: A Unified Model for Multi-city Human Mobility Prediction
- arxiv url: http://arxiv.org/abs/2508.06986v1
- Date: Sat, 09 Aug 2025 13:47:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:28.641996
- Title: UniMove: A Unified Model for Multi-city Human Mobility Prediction
- Title(参考訳): UniMove: 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
- Authors: Chonghua Han, Yuan Yuan, Yukun Liu, Jingtao Ding, 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): 12.165228072201822
- 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
- TrajMoE: Spatially-Aware Mixture of Experts for Unified Human Mobility Modeling [10.338272381612112]
都市間モビリティモデリングのための統一的でスケーラブルなモデルであるTrajMoEを提案する。
TrajMoEは,(1)都市間における空間意味論の不整合,(2)多様な都市移動パターンの2つの課題に対処する。
広範な実験により、TrajMoEは競争力基盤モデルよりも27%の相対的な改善を達成している。
論文 参考訳(メタデータ) (2025-05-24T12:17:47Z) - DrivingGPT: Unifying Driving World Modeling and Planning with Multi-modal Autoregressive Transformers [61.92571851411509]
我々は、インターリーブ画像とアクショントークンに基づくマルチモーダル駆動言語を導入し、共同世界モデリングと計画を学ぶためのDrivingGPTを開発した。
我々のDrivingGPTは、アクション条件付きビデオ生成とエンドツーエンドプランニングの両方において強力なパフォーマンスを示し、大規模なnuPlanとNAVSIMベンチマークにおいて強力なベースラインを達成しています。
論文 参考訳(メタデータ) (2024-12-24T18:59:37Z) - A Universal Model for Human Mobility Prediction [7.542075639525391]
個人軌跡と群集の流れの両方に適用可能なユニバーサルな人体移動予測モデル(UniMob)を提案する。
このモデルでは,MAPE と Accuracy@5 で 14% 以上,25% 以上のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2024-12-19T07:38:13Z) - Multi-Transmotion: Pre-trained Model for Human Motion Prediction [68.87010221355223]
マルチトランスモーション(Multi-Transmotion)は、モダリティ事前トレーニング用に設計された革新的なトランスフォーマーベースのモデルである。
提案手法は,下流タスクにおける各種データセット間の競合性能を示す。
論文 参考訳(メタデータ) (2024-11-04T23:15:21Z) - ST-MoE-BERT: A Spatial-Temporal Mixture-of-Experts Framework for Long-Term Cross-City Mobility Prediction [6.0588503913405045]
我々はST-MoE-BERTと呼ばれる人間の移動パターンを予測する頑健な手法を提案する。
本手法は,Mixture-of-ExpertsアーキテクチャとBERTモデルを統合し,複雑な移動力学を捉える。
本稿では,GEO-BLEUおよびDTWにおける提案手法の有効性について述べる。
論文 参考訳(メタデータ) (2024-10-18T00:32:18Z) - MetaUrban: An Embodied AI Simulation Platform for Urban Micromobility [52.0930915607703]
最近のロボティクスとエンボディードAIの進歩により、公共の都市空間はもはや人間専用ではない。
公共の都市空間における短距離移動のためのAIによって実現されるマイクロモビリティは、将来の交通システムにおいて重要な要素である。
本稿では,AI駆動型都市マイクロモビリティ研究のための構成シミュレーションプラットフォームであるMetaUrbanを紹介する。
論文 参考訳(メタデータ) (2024-07-11T17:56:49Z) - Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。
具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。
バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
論文 参考訳(メタデータ) (2024-05-27T22:15:23Z) - 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) - COLA: Cross-city Mobility Transformer for Human Trajectory Simulation [44.157114416533915]
モデル非依存転送フレームワークを用いた都市間mObiLity trAnsformer (COLA) を開発した。
COLAはトランスフォーマーを、都市固有の特性のためのプライベートモジュールと、都市・ユニバーサルモビリティパターンのための共有モジュールに分割する。
実装された都市間ベースラインは,その優位性と有効性を示している。
論文 参考訳(メタデータ) (2024-03-04T07:45:29Z) - 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)
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。