論文の概要: STRelay: A Universal Spatio-Temporal Relaying Framework for Location Prediction with Future Spatiotemporal Contexts

• arxiv url: http://arxiv.org/abs/2508.16620v1
• Date: Thu, 14 Aug 2025 02:44:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-31 21:54:20.592306
• Title: STRelay: A Universal Spatio-Temporal Relaying Framework for Location Prediction with Future Spatiotemporal Contexts
• Title（参考訳）: STRelay: 時空間環境を考慮した位置予測のためのユニバーサル時空間リレーフレームワーク
• Authors: Bangchao Deng, Lianhua Ji, Chunhua Chen, Xin Jing, Ling Ding, Bingqing QU, Pengyang Wang, Dingqi Yang,
• Abstract要約: STRelayは全てのケースにおける予測性能を3.19%-1156%改善している。 我々はSTRelayを4つの実世界の軌跡データセット上で4つの最先端位置予測ベースモデルと統合して評価する。 結果、STRelayは全てのケースにおける予測性能を3.19%-1156%改善することを示した。
• 参考スコア（独自算出の注目度）: 23.8690122800167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next location prediction is a critical task in human mobility modeling, enabling applications like travel planning and urban mobility management. Existing methods mainly rely on historical spatiotemporal trajectory data to train sequence models that directly forecast future locations. However, they often overlook the importance of the future spatiotemporal contexts, which are highly informative for the future locations. For example, knowing how much time and distance a user will travel could serve as a critical clue for predicting the user's next location. Against this background, we propose \textbf{STRelay}, a universal \textbf{\underline{S}}patio\textbf{\underline{T}}emporal \textbf{\underline{Relay}}ing framework explicitly modeling the future spatiotemporal context given a human trajectory, to boost the performance of different location prediction models. Specifically, STRelay models future spatiotemporal contexts in a relaying manner, which is subsequently integrated with the encoded historical representation from a base location prediction model, enabling multi-task learning by simultaneously predicting the next time interval, next moving distance interval, and finally the next location. We evaluate STRelay integrated with four state-of-the-art location prediction base models on four real-world trajectory datasets. Results demonstrate that STRelay consistently improves prediction performance across all cases by 3.19\%-11.56\%. Additionally, we find that the future spatiotemporal contexts are particularly helpful for entertainment-related locations and also for user groups who prefer traveling longer distances. The performance gain on such non-daily-routine activities, which often suffer from higher uncertainty, is indeed complementary to the base location prediction models that often excel at modeling regular daily routine patterns.
• Abstract（参考訳）: 次の位置予測は人間の移動モデルにおいて重要な課題であり、旅行計画や都市移動管理といった応用を可能にする。 既存の手法は主に過去の時空間軌跡データに頼り、将来の位置を直接予測するシーケンスモデルを訓練する。 しかし、彼らはしばしば将来の時空間的文脈の重要性を軽視し、将来の場所にとって非常に有益である。 例えば、ユーザが旅行する時間と距離を知ることは、ユーザの次の位置を予測する重要な手がかりとなる可能性がある。 このような背景から,人間の軌道に与えられた時空間を明示的にモデル化し,異なる位置予測モデルの性能を高めるために,普遍的な \textbf{\underline{S}}patio\textbf{\underline{T}}emporal \textbf{\underline{Relay}} フレームワークである \textbf{STRelay} を提案する。 具体的には、STRelayは将来の時空間をリレー方式でモデル化し、その後、ベース位置予測モデルから符号化された歴史的表現と統合し、次の時間間隔、次の移動距離間隔、そして最後に次の位置を同時に予測することでマルチタスク学習を可能にする。 我々はSTRelayを4つの実世界の軌跡データセット上で4つの最先端位置予測ベースモデルと統合して評価する。 その結果、STRelayは全てのケースにおける予測性能を3.19\%-11.56\%改善することを示した。 さらに, 今後の時空間空間は, エンターテイメントに関連する場所や, 長距離旅行を好むユーザグループにとって特に有用であることがわかった。 日常的な日常パターンのモデル化に長けている基本位置予測モデルと相補的である。

関連論文リスト

• HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
  HPNetは、新しい動的軌道予測手法である。 逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。 私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
  論文  参考訳（メタデータ） (2024-04-09T14:42:31Z)
• REPLAY: Modeling Time-Varying Temporal Regularities of Human Mobility for Location Prediction over Sparse Trajectories [7.493786214342181]
  位置予測のための時間変化の時間的規則性を把握するための一般RNNアーキテクチャ学習であるREPLAYを提案する。 特に、REPLAYは、情報の隠された過去の状態を探すために、スパース軌跡の距離を利用するだけでなく、時間変化の時間的規則性も許容する。 その結果、REPLAYは、位置予測タスクにおいて、最先端の手法を7.7%-10.5%向上させる。
  論文  参考訳（メタデータ） (2024-02-26T05:28:36Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Context-aware multi-head self-attentional neural network model for next location prediction [19.640761373993417]
  我々は、歴史的位置情報から位置パターンを学習するマルチヘッド自己注意ニューラルネットワーク(A)を利用する。 提案モデルが他の最先端予測モデルより優れていることを示す。 我々は,提案モデルが文脈を考慮した移動予測に不可欠であると信じている。
  論文  参考訳（メタデータ） (2022-12-04T23:40:14Z)
• 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)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。