論文の概要: Hierarchical Semi-Markov Models with Duration-Aware Dynamics for Activity Sequences
- arxiv url: http://arxiv.org/abs/2509.18414v1
- Date: Mon, 22 Sep 2025 20:58:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-24 20:41:27.584279
- Title: Hierarchical Semi-Markov Models with Duration-Aware Dynamics for Activity Sequences
- Title（参考訳）: 継続時間を考慮した活動系列の階層的セミマルコフモデル
- Authors: Rohit Dube, Natarajan Gautam, Amarnath Banerjee, Harsha Nagarajan,
- Abstract要約: 本稿では,10分間の解像度で全国的に代表されるタイムユース日記を用いて,人間の活動系列の生成モデルを構築した。
セミマルコフのエンファザードコンポーネントは、アクティビティの持続時間を明示的にモデル化し、"アクティビティが現実的にどれだけ長く持続するかをキャプチャする。
このフレームワーク全体が、調査設計の重みを使ってトレーニングされ、評価され、我々の発見がアメリカの人口を代表することを保証する。
- 参考スコア（独自算出の注目度）: 0.8399688944263842
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Residential electricity demand at granular scales is driven by what people do and for how long. Accurately forecasting this demand for applications like microgrid management and demand response therefore requires generative models that can produce realistic daily activity sequences, capturing both the timing and duration of human behavior. This paper develops a generative model of human activity sequences using nationally representative time-use diaries at a 10-minute resolution. We use this model to quantify which demographic factors are most critical for improving predictive performance. We propose a hierarchical semi-Markov framework that addresses two key modeling challenges. First, a time-inhomogeneous Markov \emph{router} learns the patterns of ``which activity comes next." Second, a semi-Markov \emph{hazard} component explicitly models activity durations, capturing ``how long" activities realistically last. To ensure statistical stability when data are sparse, the model pools information across related demographic groups and time blocks. The entire framework is trained and evaluated using survey design weights to ensure our findings are representative of the U.S. population. On a held-out test set, we demonstrate that explicitly modeling durations with the hazard component provides a substantial and statistically significant improvement over purely Markovian models. Furthermore, our analysis reveals a clear hierarchy of demographic factors: Sex, Day-Type, and Household Size provide the largest predictive gains, while Region and Season, though important for energy calculations, contribute little to predicting the activity sequence itself. The result is an interpretable and robust generator of synthetic activity traces, providing a high-fidelity foundation for downstream energy systems modeling.
- Abstract（参考訳）: 住宅の電力需要は、人々が何をするか、どのくらいの間かによって引き起こされる。
そのため、マイクログリッド管理や需要応答のようなアプリケーションに対するこの需要を正確に予測するには、人間の行動のタイミングと持続時間の両方をキャプチャして、現実的な日々の活動シーケンスを生成可能な生成モデルが必要である。
本稿では,10分間の解像度で全国的に代表されるタイムユース日記を用いて,人間の活動系列の生成モデルを構築した。
このモデルを用いて、予測性能の向上に最も重要な要因を定量化する。
本稿では2つの主要なモデリング課題に対処する階層的なセミマルコフフレームワークを提案する。
まず、時間的に不均一なMarkov \emph{router}は、次のアクティビティのパターンを学ぶ。
第二に、半Markov \emph{hazard} コンポーネントはアクティビティの持続時間を明示的にモデル化し、"how long" アクティビティを現実的に最後にキャプチャします。
データがスパースである場合の統計的安定性を確保するため、モデルは関連する人口統計群と時間ブロックに情報をプールする。
このフレームワーク全体が、調査設計の重みを使ってトレーニングされ、評価され、我々の発見がアメリカの人口を代表することを保証する。
ホールドアウトテストセットでは、ハザード成分との明示的なモデリング期間が、純粋マルコフモデルよりも実質的で統計的に有意な改善をもたらすことを示す。
さらに, 性別, 日型, 世帯規模は, エネルギー計算に重要であるが, 活動順序の予測にはほとんど寄与しない。
その結果、合成活性トレースの解釈可能で堅牢な生成物となり、下流エネルギーシステムのモデリングに高忠実性の基礎を提供する。
関連論文リスト
- Hourly Short Term Load Forecasting for Residential Buildings and Energy Communities [0.0]
永続モデル、自動回帰ベースの機械学習モデル、より高度なディープラーニングモデルを導入します。
既存の手法に比べて,新たに導入された時間ベースの予測モデルの予測精度が15～30%向上するのを観察する。
論文 参考訳（メタデータ） (2025-01-31T15:49:09Z) - Targeted Maximum Likelihood Estimation for Integral Projection Models in Population Ecology [4.209594014085132]
積分射影モデルから導出した特性に対する頑健で効率的な推定器を開発する。
本研究はIdaho steppe plant communityとRotifer populationsの長期研究から得られた実データを用いて広範囲にわたるシミュレーションを行う。
論文 参考訳（メタデータ） (2024-11-12T19:56:05Z) - Scaling Wearable Foundation Models [54.93979158708164]
センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。
最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。
この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
論文 参考訳（メタデータ） (2024-10-17T15:08:21Z) - A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。
我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。
本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
論文 参考訳（メタデータ） (2024-04-29T17:19:40Z) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳（メタデータ） (2024-01-06T06:26:49Z) - Regions are Who Walk Them: a Large Pre-trained Spatiotemporal Model
Based on Human Mobility for Ubiquitous Urban Sensing [24.48869607589127]
本研究では,人体移動データに含まれるリッチな情報を活用するために,トラジェクトリ(RAW)に基づく大規模時空間モデルを提案する。
提案手法は,人間の移動データのみに特色を持たず,ユーザのプロファイリングや地域分析に一定の関連性を示す。
論文 参考訳（メタデータ） (2023-11-17T11:55:11Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳（メタデータ） (2022-04-25T19:06:48Z) - A Spatial-temporal Graph Deep Learning Model for Urban Flood Nowcasting
Leveraging Heterogeneous Community Features [1.2599533416395765]
本研究の目的は,都市浸水流を対象とした新しい深層学習モデルフレームワークの開発と試験である。
本稿では,アテンションベース時空間グラフ畳み込みネットワーク(ASTGCN)モデルを含む新しい計算モデルを提案する。
以上の結果から, このモデルにより, 都市浸水量の増加に優れた性能が得られることが示唆された。
論文 参考訳（メタデータ） (2021-11-09T15:35:05Z) - RAIN: Reinforced Hybrid Attention Inference Network for Motion
Forecasting [34.54878390622877]
本稿では,ハイブリットアテンション機構に基づく動的キー情報の選択とランク付けを行う汎用的な動き予測フレームワークを提案する。
このフレームワークは、マルチエージェント軌道予測と人間の動き予測タスクを処理するためにインスタンス化される。
我々は,異なる領域における合成シミュレーションと運動予測ベンチマークの両方について,その枠組みを検証した。
論文 参考訳（メタデータ） (2021-08-03T06:30:30Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z)
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。