論文の概要: SeMob: Semantic Synthesis for Dynamic Urban Mobility Prediction

• arxiv url: http://arxiv.org/abs/2510.01245v1
• Date: Wed, 24 Sep 2025 05:33:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.749079
• Title: SeMob: Semantic Synthesis for Dynamic Urban Mobility Prediction
• Title（参考訳）: SeMob: 動的都市移動予測のためのセマンティック合成
• Authors: Runfei Chen, Shuyang Jiang, Wei Huang,
• Abstract要約: SeMobは、動的モビリティ予測のためのセマンティックベースの合成パイプラインである。 テンポラルベースエージェントが複雑なオンラインテキストからテンポラル関連テキストを抽出するマルチエージェントフレームワークを採用している。 時間モデルと比較すると,MAEの最大12%の削減を実現している。
• 参考スコア（独自算出の注目度）: 8.14682500942432
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Human mobility prediction is vital for urban services, but often fails to account for abrupt changes from external events. Existing spatiotemporal models struggle to leverage textual descriptions detailing these events. We propose SeMob, an LLM-powered semantic synthesis pipeline for dynamic mobility prediction. Specifically, SeMob employs a multi-agent framework where LLM-based agents automatically extract and reason about spatiotemporally related text from complex online texts. Fine-grained relevant contexts are then incorporated with spatiotemporal data through our proposed innovative progressive fusion architecture. The rich pre-trained event prior contributes enriched insights about event-driven prediction, and hence results in a more aligned forecasting model. Evaluated on a dataset constructed through our pipeline, SeMob achieves maximal reductions of 13.92% in MAE and 11.12% in RMSE compared to the spatiotemporal model. Notably, the framework exhibits pronounced superiority especially within spatiotemporal regions close to an event's location and time of occurrence.
• Abstract（参考訳）: ヒトの移動予測は都市サービスにとって不可欠であるが、しばしば外部イベントからの急激な変化を説明できない。 既存の時空間モデルは、これらの出来事を詳細に記述したテキスト記述を活用するのに苦労する。 動的モビリティ予測のためのLLMを用いたセマンティック合成パイプラインSeMobを提案する。 特にSeMobでは、複雑なオンラインテキストからLLMベースのエージェントが時空間関連テキストを自動的に抽出し、推論するマルチエージェントフレームワークを採用している。 提案した革新的進化的融合アーキテクチャを通じて, 微細な関連コンテキストを時空間データに組み込む。 事前訓練されたリッチなイベントは、イベント駆動予測に関する豊富な洞察をもたらし、その結果、より整合した予測モデルをもたらす。 パイプラインを通して構築されたデータセットに基づいて、SeMobは、時空間モデルと比較して、MAEで13.92%、RMSEで11.12%の最大減少を達成する。 特に、イベントの場所や発生時刻に近い時空間領域において、特に顕著な優越性を示す。

関連論文リスト

• PreMixer: MLP-Based Pre-training Enhanced MLP-Mixers for Large-scale Traffic Forecasting [30.055634767677823]
  都市コンピューティングでは,交通ネットワークからの時系列データの正確かつ迅速な予測が重要である。 現在の研究制限は、モデル固有の非効率性と、モデル複雑さによる大規模トラフィックアプリケーションに対する不適合性のためである。 本稿では,このギャップを埋めるための新しいフレームワークPreMixerを提案する。MLP(Multi-Layer Perceptrons)の原理に基づく予測モデルと事前学習機構を特徴とする。 我々のフレームワークは,大規模トラフィックデータセットの広範な実験により検証され,高い計算効率を維持しながら,同等の最先端性能を実現している。
  論文  参考訳（メタデータ） (2024-12-18T08:35:40Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Spatial-Temporal Large Language Model for Traffic Prediction [21.69991612610926]
  交通予測のための時空間大言語モデル(ST-LLM)を提案する。 ST-LLMでは,各位置の時間ステップをトークンとして定義し,空間的位置とグローバルな時間的パターンを学習するための空間的時間的埋め込みを設計する。 実トラフィックデータセットの実験において、ST-LLMは最先端のモデルより優れた空間時空間学習器である。
  論文  参考訳（メタデータ） (2024-01-18T17:03:59Z)
• 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)
• SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting [63.01035584154509]
  私たちは完全に自動化されたパイプラインを開発し、約0.6百万のニュース記事からMidEast-TEという大規模なデータセットを構築しました。 このデータセットは、2015年から2022年まで、主に中東地域での協力と紛争イベントに焦点を当てている。 そこで本稿では,SCTc-TE予測にローカルコンテキストとグローバルコンテキストの両方を活用可能なLoGoを提案する。
  論文  参考訳（メタデータ） (2023-12-02T07:40:21Z)
• 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)

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。