論文の概要: Downscaling human mobility data based on demographic socioeconomic and commuting characteristics using interpretable machine learning methods

• arxiv url: http://arxiv.org/abs/2509.21703v1
• Date: Thu, 25 Sep 2025 23:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.079007
• Title: Downscaling human mobility data based on demographic socioeconomic and commuting characteristics using interpretable machine learning methods
• Title（参考訳）: 解釈可能な機械学習手法を用いた人口社会経済と通勤特性に基づく人体移動データのダウンスケーリング
• Authors: Yuqin Jiang, Andrey A. Popov, Tianle Duan, Qingchun Li,
• Abstract要約: 本研究は,ニューヨーク市内におけるOrigin-Detination (OD) タクシーの走行をダウンスケールする機械学習フレームワークを提案する。 OD旅行と人口統計,社会経済,通勤特性の相関関係を考察した。
• 参考スコア（独自算出の注目度）: 0.055997926295092294
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Understanding urban human mobility patterns at various spatial levels is essential for social science. This study presents a machine learning framework to downscale origin-destination (OD) taxi trips flows in New York City from a larger spatial unit to a smaller spatial unit. First, correlations between OD trips and demographic, socioeconomic, and commuting characteristics are developed using four models: Linear Regression (LR), Random Forest (RF), Support Vector Machine (SVM), and Neural Networks (NN). Second, a perturbation-based sensitivity analysis is applied to interpret variable importance for nonlinear models. The results show that the linear regression model failed to capture the complex variable interactions. While NN performs best with the training and testing datasets, SVM shows the best generalization ability in downscaling performance. The methodology presented in this study provides both analytical advancement and practical applications to improve transportation services and urban development.
• Abstract（参考訳）: 都市人の移動パターンを様々な空間レベルで理解することは社会科学にとって不可欠である。 本研究は,ニューヨーク市内のタクシー走行を,より広い空間単位からより小さな空間単位へダウンスケールさせる機械学習フレームワークを提案する。 まず、リニア回帰(LR)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)、ニューラルネットワーク(NN)の4つのモデルを用いて、ODトリップと人口統計、社会経済、通勤特性の相関性を開発した。 第二に、非線形モデルにおける変数の重要性の解釈に摂動に基づく感度解析を適用する。 その結果,線形回帰モデルは複雑な変数の相互作用を捉えられなかった。 NNはデータセットのトレーニングとテストで優れているが、SVMはパフォーマンスをダウンスケールする上で最高の一般化能力を示している。 本研究の方法論は,交通サービスと都市開発を改善するための分析的進歩と実践的応用の両方を提供する。

関連論文リスト

• Graph RAG as Human Choice Model: Building a Data-Driven Mobility Agent with Preference Chain [4.675541221895496]
  LLM(Large Language Models)を利用した生成エージェントの最近の進歩は、広範囲なデータセットに頼ることなく、人間の振る舞いをシミュレートする可能性を示している。 本稿では,LLMとグラフ検索・拡張生成(RAG)を統合し,交通システムにおける人間行動の文脈認識シミュレーションを強化する新しい手法であるPreference Chainを紹介する。
  論文  参考訳（メタデータ） (2025-08-22T07:50:57Z)
• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Rethinking Inductive Bias in Geographically Neural Network Weighted Regression [1.3597551064547502]
  この研究は、Geographically Neural Network Weighted Regressionの帰納バイアスを再考する。 局所受容場,逐次的文脈,自己意識を空間的回帰に導入する。 GNNWRは非線形空間関係や複雑な空間関係を捉える上で,従来の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-14T06:13:18Z)
• Graph Network Modeling Techniques for Visualizing Human Mobility Patterns [8.537183852577687]
  グラフを連続空間に埋め込むことにより,高速なグラフマッチング,グラフ時系列モデリング,移動力学の可視化といった問題を軽減する手法を開発した。 本研究では,トラジェクトリから収集したモビリティデータをネットワーク構造やモビリティフローの変化パターンに変換する方法を実証し,マッチンググラフと未マッチンググラフの平均誤差を40%減少させるダウンストリームタスクに利用できることを示した。
  論文  参考訳（メタデータ） (2025-04-04T02:21:44Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Reconstructing Human Mobility Pattern: A Semi-Supervised Approach for Cross-Dataset Transfer Learning [10.864774173935535]
  セマンティック・アクティビティ・チェーンに着目し,人間のモビリティ・パターンを再構築し,学習するモデルを開発した。 本稿では,多様な地理的文脈にモデルを適応させるために,半教師付き反復移動学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:29:56Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Learning-based adaption of robotic friction models [50.72489248401199]
  我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。 本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
  論文  参考訳（メタデータ） (2023-10-25T14:50:15Z)
• Safety-compliant Generative Adversarial Networks for Human Trajectory Forecasting [95.82600221180415]
  群衆における人間予測は、社会的相互作用をモデル化し、衝突のないマルチモーダル分布を出力するという課題を提示する。 SGANv2は、動き時間相互作用モデリングと変圧器に基づく識別器設計を備えた安全に配慮したSGANアーキテクチャである。
  論文  参考訳（メタデータ） (2022-09-25T15:18:56Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)

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。