論文の概要: GSTM-HMU: Generative Spatio-Temporal Modeling for Human Mobility Understanding

• arxiv url: http://arxiv.org/abs/2509.19135v1
• Date: Tue, 23 Sep 2025 15:20:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.922303
• Title: GSTM-HMU: Generative Spatio-Temporal Modeling for Human Mobility Understanding
• Title（参考訳）: GSTM-HMU:人間のモビリティ理解のための時空間生成モデル
• Authors: Wenying Luo, Zhiyuan Lin, Wenhao Xu, Minghao Liu, Zhi Li,
• Abstract要約: 本稿では,移動分析を前進させるための時間的時間的生成フレームワークであるGSTM-HMUを紹介する。 Gowalla、WeePlace、Brightkite、FourSquareなど、広く使われている4つの実世界のデータセットの実験を行います。
• 参考スコア（独自算出の注目度）: 12.79351579779076
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Human mobility traces, often recorded as sequences of check-ins, provide a unique window into both short-term visiting patterns and persistent lifestyle regularities. In this work we introduce GSTM-HMU, a generative spatio-temporal framework designed to advance mobility analysis by explicitly modeling the semantic and temporal complexity of human movement. The framework consists of four key innovations. First, a Spatio-Temporal Concept Encoder (STCE) integrates geographic location, POI category semantics, and periodic temporal rhythms into unified vector representations. Second, a Cognitive Trajectory Memory (CTM) adaptively filters historical visits, emphasizing recent and behaviorally salient events in order to capture user intent more effectively. Third, a Lifestyle Concept Bank (LCB) contributes structured human preference cues, such as activity types and lifestyle patterns, to enhance interpretability and personalization. Finally, task-oriented generative heads transform the learned representations into predictions for multiple downstream tasks. We conduct extensive experiments on four widely used real-world datasets, including Gowalla, WeePlace, Brightkite, and FourSquare, and evaluate performance on three benchmark tasks: next-location prediction, trajectory-user identification, and time estimation. The results demonstrate consistent and substantial improvements over strong baselines, confirming the effectiveness of GSTM-HMU in extracting semantic regularities from complex mobility data. Beyond raw performance gains, our findings also suggest that generative modeling provides a promising foundation for building more robust, interpretable, and generalizable systems for human mobility intelligence.
• Abstract（参考訳）: チェックインのシーケンスとして記録される人間のモビリティトレースは、短期訪問パターンと永続的なライフスタイルの両方にユニークな窓を提供する。 本研究では,人体運動の意味的・時間的複雑さを明示的にモデル化し,モビリティ分析を促進するための生成時空間フレームワークであるGSTM-HMUを紹介する。 フレームワークは4つの重要なイノベーションで構成されている。 まず、時空間概念エンコーダ(STCE)は、地理的位置、POIカテゴリー意味論、周期的時間リズムをベクトル表現に統合する。 第二に、Cognitive Trajectory Memory (CTM)は歴史的訪問を適応的にフィルタリングし、ユーザーの意図をより効果的に捉えるために、最近および行動的に健全な出来事を強調する。 第3に、LCB(Lifestyle Concept Bank)は、行動タイプやライフスタイルパターンなどの構造化された人間の嗜好の手がかりを提供し、解釈可能性とパーソナライゼーションを高める。 最後に、タスク指向生成ヘッドは、学習した表現を複数の下流タスクの予測に変換する。 我々は、Gowalla、WeePlace、Brightkite、FourSquareを含む4つの広く使われている実世界のデータセットについて広範な実験を行い、次の位置予測、軌道-ユーザ識別、時間推定という3つのベンチマークタスクのパフォーマンスを評価する。 その結果, 複雑なモビリティデータから意味的規則性を抽出する上で, GSTM-HMUの有効性が確認された。 我々の研究結果は、生のパフォーマンス向上以外にも、生成モデリングがより堅牢で解釈可能で汎用的な人間の移動知能システムを構築するための有望な基盤となることを示唆している。

関連論文リスト

• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Spatial-Temporal Cross-View Contrastive Pre-training for Check-in Sequence Representation Learning [21.580705078081078]
  本稿では,チェックインシーケンス表現学習のための空間-時間的クロスビューコントラスト表現(ST CCR)フレームワークを提案する。 ST CCRは「空間的話題」と「時間的意図」の視点から自己スーパービジョンを採用し、意味レベルでの空間的情報と時間的情報の効果的な融合を促進する。 実世界の3つのデータセット上でST CCRを広範囲に評価し、3つの下流タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-22T10:20:34Z)
• 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)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Activity-aware Human Mobility Prediction with Hierarchical Graph Attention Recurrent Network [6.09493819953104]
  本稿では,HGARN(Hierarchical Graph Attention Recurrent Network)を用いて人体移動予測を行う。 具体的には、過去の移動記録に基づいて階層グラフを構築し、複雑な時間-活動-位置の依存関係をキャプチャするために階層グラフ注意モジュールを使用する。 モデル評価において,HGARNの既存手法に対して,既存手法(例えば,以前に訪れた場所に戻る)と爆発的手法(すなわち,新しい場所を訪れる)の両方で,HGARNの性能を検証した。
  論文  参考訳（メタデータ） (2022-10-14T12:56:01Z)

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。