論文の概要: VisitHGNN: Heterogeneous Graph Neural Networks for Modeling Point-of-Interest Visit Patterns

• arxiv url: http://arxiv.org/abs/2510.02702v1
• Date: Fri, 03 Oct 2025 03:42:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.254291
• Title: VisitHGNN: Heterogeneous Graph Neural Networks for Modeling Point-of-Interest Visit Patterns
• Title（参考訳）: VisitHGNN:ポイント・オブ・インテンシブ・ビジター・パターンをモデル化するための異種グラフニューラルネットワーク
• Authors: Lin Pang, Jidong J. Yang,
• Abstract要約: VisitHGNNは、個々の関心点(POI)の確率を予測するために設計された関係性特化グラフネットワークである。 ビジターHGNNは平均KL偏差0.287、MAE0.008、Top-1精度0.853、R-square0.853で高い予測性能を達成している。 都市計画、交通政策、移動システム、公衆衛生におけるモデルによる意思決定支援の可能性。
• 参考スコア（独自算出の注目度）: 3.545082819007165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding how urban residents travel between neighborhoods and destinations is critical for transportation planning, mobility management, and public health. By mining historical origin-to-destination flow patterns with spatial, temporal, and functional relations among urban places, we estimate probabilities of visits from neighborhoods to specific destinations. These probabilities capture neighborhood-level contributions to citywide vehicular and foot traffic, supporting demand estimation, accessibility assessment, and multimodal planning. Particularly, we introduce VisitHGNN, a heterogeneous, relation-specific graph neural network designed to predict visit probabilities at individual Points of interest (POIs). POIs are characterized using numerical, JSON-derived, and textual attributes, augmented with fixed summaries of POI--POI spatial proximity, temporal co-activity, and brand affinity, while census block groups (CBGs) are described with 72 socio-demographic variables. CBGs are connected via spatial adjacency, and POIs and CBGs are linked through distance-annotated cross-type edges. Inference is constrained to a distance-based candidate set of plausible origin CBGs, and training minimizes a masked Kullback-Leibler (KL) divergence to yield probability distribution across the candidate set. Using weekly mobility data from Fulton County, Georgia, USA, VisitHGNN achieves strong predictive performance with mean KL divergence of 0.287, MAE of 0.008, Top-1 accuracy of 0.853, and R-square of 0.892, substantially outperforming pairwise MLP and distance-only baselines, and aligning closely with empirical visitation patterns (NDCG@50 = 0.966); Recall@5 = 0.611). The resulting distributions closely mirror observed travel behavior with high fidelity, highlighting the model's potential for decision support in urban planning, transportation policy, mobility system design, and public health.
• Abstract（参考訳）: 都市住民が地区と目的地をどう移動するかを理解することは、交通計画、移動管理、公衆衛生にとって重要である。 都市部における空間的・時間的・機能的関係を持つ歴史的起源と目的地のフローパターンをマイニングすることにより,周辺地域から特定の目的地への訪問確率を推定する。 これらの確率は、需要推定、アクセシビリティアセスメント、マルチモーダルプランニングをサポートする都市全体の車両と足の交通に対する地区レベルの貢献を捉えている。 特に、関心のポイント(POIs)における訪問確率を予測するために設計された、不均一な関係性特化グラフニューラルネットワークであるビジターHGNNを紹介する。 POIは数値的,JSON的,テキスト的属性を用いて特徴付けられ,POI-POIの空間的近接,時間的コアクティビティ,ブランド親和性の固定的な要約を付加し,国勢調査ブロック群(CBG)は72の社会デコノグラフィー変数で記述される。 CBGは空間的隣接により接続され、POIとCBGは距離アノテートされたクロスタイプエッジを介してリンクされる。 推測は可塑性原点CBGの距離ベース候補集合に制約され、トレーニングはマスク付きカルバック・リーブラー(KL)の発散を最小限に抑え、候補集合全体にわたる確率分布を導出する。 ジョージア州フルトン郡の毎週の移動データを用いて、ビジターHGNNは平均KL発散率0.287、MAE0.008、Top-1精度0.853、R-squareの0.892で強い予測性能を達成し、ペアワイズMLPと距離限定ベースラインを大幅に上回り、経験的訪問パターン(NDCG@50 = 0.966); Recall@5 = 0.611)と密接に整合している。 結果として得られた分布は、高い忠実度で旅行行動を観察し、都市計画、交通政策、移動システム設計、公衆衛生における意思決定支援のモデルの可能性を強調した。

関連論文リスト

• Relation-Aware LNN-Transformer for Intersection-Centric Next-Step Prediction [0.0]
  市内の道路横断グラフ上に道路利用者軌道を表す道路ノード中心の枠組みを導入する。 これらのキューと構造グラフの埋め込みを組み合わせることで、意味的に基底化されたノード表現が得られる。 我々のモデルは6つの最先端のベースラインを最大17ポイントの精度で1ホップで、MRRで10ポイントの精度で上回ります。
  論文  参考訳（メタデータ） (2025-08-02T13:47:12Z)
• POIFormer: A Transformer-Based Framework for Accurate and Scalable Point-of-Interest Attribution [3.729614737011418]
  textsfPOIFormerは、正確で効率的なPOI属性のためのトランスフォーマーベースの新しいフレームワークである。 textsfPOIFormerは、大規模でノイズの多いモビリティデータセットにおいて、正確で効率的な属性を可能にする。
  論文  参考訳（メタデータ） (2025-07-12T04:37:52Z)
• Next-Generation Travel Demand Modeling with a Generative Framework for Household Activity Coordination [12.533065786338863]
  本稿では,学習に基づく旅行需要モデリングフレームワークを提案する。 家庭の社会デマトグラフィーのプロファイルに基づいて、家庭と協調した日々の行動パターンを合成する。 完全に生成可能で、データ駆動で、スケーラブルで、他のリージョンに転送可能である。
  論文  参考訳（メタデータ） (2025-07-09T18:06:36Z)
• Leveraging graph neural networks and mobility data for COVID-19 forecasting [37.9506001142702]
  新型コロナウイルス(COVID-19)のパンデミックはこれまでに700万人以上の犠牲者を出した。 移動データと機械学習を組み合わせた時空間モデルが病気予測に注目を集めている。 ここでは、GCRN(Graph Convolutional Recurrent Network)とGTM(Graph Convolutional Long ShortTerm Memory)について検討する。 目標は、人間の移動ネットワークを活用して、ブラジルと中国の新型コロナウイルス感染者の将来の価値を予測することである。
  論文  参考訳（メタデータ） (2025-01-20T19:52:31Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• An unsupervised approach for semantic place annotation of trajectories based on the prior probability [6.710030919235883]
  本稿では,セマンティック・プレイス・アノテーション・トラジェクトリのための教師なし手法UPAPPを提案する。 本手法は, 候補地点を空間的確率, 期間的確率, 訪問時間的確率にアノテートするために特に用いられる。 提案手法は, それぞれ0.712と0.720の総合的, 平均的精度を達成し, 外部データを使わずに, 訪れた場所を正確にアノテートできることを示唆した。
  論文  参考訳（メタデータ） (2022-04-20T01:10:25Z)
• Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
  新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。 幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。 本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-28T15:32:42Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Modeling Heterogeneous Relations across Multiple Modes for Potential Crowd Flow Prediction [26.92887395256311]
  そこで我々は,新しい計画サイトにおいて,あるモードで群集の流れを予測するためのデータ駆動手法moherを提案する。 具体的には,まず地理的近接性を調べることにより,対象部位の近傍領域を同定する。 そして、これらの不均一な関係を集約するために、相互関係GCNを考案し、相関だけでなく、異なる移動モードの違いも学習する。
  論文  参考訳（メタデータ） (2021-01-18T09:31:30Z)

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。