論文の概要: Group Effect Enhanced Generative Adversarial Imitation Learning for Individual Travel Behavior Modeling under Incentives

• arxiv url: http://arxiv.org/abs/2509.06656v1
• Date: Mon, 08 Sep 2025 13:14:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.146916
• Title: Group Effect Enhanced Generative Adversarial Imitation Learning for Individual Travel Behavior Modeling under Incentives
• Title（参考訳）: インセンティブに基づく個人旅行行動モデリングのためのグループ効果の強化された生成的逆数模倣学習
• Authors: Yuanyuan Wu, Zhenlin Qin, Leizhen Wang, Xiaolei Ma, Zhenliang Ma,
• Abstract要約: 本稿では,個人行動モデリングの効率化を図るグループ効果向上型生成対逆模倣学習(gcGAIL)モデルを提案する。 公共交通機関の運賃割引ケーススタディを用いてgcGAILモデルを検証し、最先端のベンチマークと比較する。 その結果、gcGAILは、時間とともにインセンティブによる個人旅行行動反応の学習において、これらの手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 8.12279767264402
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding and modeling individual travel behavior responses is crucial for urban mobility regulation and policy evaluation. The Markov decision process (MDP) provides a structured framework for dynamic travel behavior modeling at the individual level. However, solving an MDP in this context is highly data-intensive and faces challenges of data quantity, spatial-temporal coverage, and situational diversity. To address these, we propose a group-effect-enhanced generative adversarial imitation learning (gcGAIL) model that improves the individual behavior modeling efficiency by leveraging shared behavioral patterns among passenger groups. We validate the gcGAIL model using a public transport fare-discount case study and compare against state-of-the-art benchmarks, including adversarial inverse reinforcement learning (AIRL), baseline GAIL, and conditional GAIL. Experimental results demonstrate that gcGAIL outperforms these methods in learning individual travel behavior responses to incentives over time in terms of accuracy, generalization, and pattern demonstration efficiency. Notably, gcGAIL is robust to spatial variation, data sparsity, and behavioral diversity, maintaining strong performance even with partial expert demonstrations and underrepresented passenger groups. The gcGAIL model predicts the individual behavior response at any time, providing the basis for personalized incentives to induce sustainable behavior changes (better timing of incentive injections).
• Abstract（参考訳）: 個別の旅行行動反応の理解とモデル化は、都市移動規制と政策評価に不可欠である。 マルコフ決定プロセス(MDP)は、個々のレベルでの動的旅行行動モデリングのための構造化されたフレームワークを提供する。 しかし、この文脈でMDPを解くことはデータ集約的であり、データ量、空間的時間的カバレッジ、状況的多様性といった課題に直面している。 そこで本稿では, 客車群間での共有行動パターンを活用することにより, 個人行動モデリング効率を向上させるグループ効果向上型生成逆模倣学習(gcGAIL)モデルを提案する。 公共交通機関の運賃割引ケーススタディを用いてgcGAILモデルを検証し、逆逆強化学習(AIRL)、ベースラインGAIL、条件付きGAILを含む最先端のベンチマークと比較した。 実験の結果,gcGAILは,各旅行行動に対するインセンティブの学習において,精度,一般化,パターン実証の効率において,これらの手法よりも優れていた。 特に、gcGAILは空間的変動、データ空間性、行動多様性に頑健であり、一部の専門家によるデモンストレーションや表現不足な乗客グループでも高い性能を維持している。 gcGAILモデルは、パーソナライズされたインセンティブが持続的な行動変化を誘発する基盤を提供する(インセンティブ注入のタイミング)。

関連論文リスト

• Who Walks With You Matters: Perceiving Social Interactions with Groups for Pedestrian Trajectory Prediction [14.009392073139441]
  本稿では,GrouP ConCeption(GPCC)モデルを提案する。 GPCCモデルでは、軌道予測精度が大幅に向上し、社会的・個人的ダイナミクスをモデル化する上での有効性が検証された。
  論文  参考訳（メタデータ） (2024-12-03T11:47:33Z)
• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• STAT: Towards Generalizable Temporal Action Localization [56.634561073746056]
  WTAL(Wakly-supervised temporal action Localization)は、ビデオレベルのラベルだけでアクションインスタンスを認識およびローカライズすることを目的としている。 既存の手法は、異なる分布に転送する際の重大な性能劣化に悩まされる。 本稿では,アクションローカライズ手法の一般化性向上に焦点を当てたGTALを提案する。
  論文  参考訳（メタデータ） (2024-04-20T07:56:21Z)
• REACT: Revealing Evolutionary Action Consequence Trajectories for Interpretable Reinforcement Learning [7.889696505137217]
  強化学習の解釈可能性を高めるために,Revealing Evolutionary Action Consequence Trajectories (REACT)を提案する。 トレーニング中に学習した最適な振る舞いに基づくRLモデルの一般的な実践とは対照的に、エッジケースの軌跡の範囲を考慮すると、それらの固有の振る舞いをより包括的に理解することができると仮定する。 本研究は,RLモデルの動作の微妙な側面を最適性能を超えて明らかにし,解釈可能性の向上に寄与することを示す。
  論文  参考訳（メタデータ） (2024-04-04T10:56:30Z)
• Mixing Individual and Collective Behaviours to Predict Out-of-Routine Mobility [4.442030973972382]
  本研究では,個人と集団の移動行動を動的に統合する手法を提案する。 より高度な深層学習手法を超越して、ルーチン外モビリティを予測する上で、優れた性能を示す。 個人的行動と集団的行動のギャップを埋めることによって、我々のアプローチは透明で正確な予測を提供する。
  論文  参考訳（メタデータ） (2024-04-03T13:38:49Z)
• Personalized Behavior-Aware Transformer for Multi-Behavior Sequential Recommendation [25.400756652696895]
  マルチビヘイビアシーケンスレコメンデーション(MBSR)問題に対するパーソナライズされた行動認識変換フレームワーク(PBAT)を提案する。 PBATは表現層にパーソナライズされた振舞いパターン生成器を開発し,逐次学習のための動的・識別的な振舞いパターンを抽出する。 3つのベンチマークデータセットで実験を行い、その結果、フレームワークの有効性と解釈性を示した。
  論文  参考訳（メタデータ） (2024-02-22T12:03:21Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)

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。