論文の概要: Multi-Scale Diffusion Transformer for Jointly Simulating User Mobility and Mobile Traffic Pattern

• arxiv url: http://arxiv.org/abs/2510.10158v1
• Date: Sat, 11 Oct 2025 10:45:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 20:23:38.925784
• Title: Multi-Scale Diffusion Transformer for Jointly Simulating User Mobility and Mobile Traffic Pattern
• Title（参考訳）: ユーザモビリティと移動トラフィックパターンを併用したマルチスケール拡散変換器
• Authors: Ziyi Liu, Qingyue Long, Zhiwen Xue, Huandong Wang, Yong Li,
• Abstract要約: MSTDiffはモバイルトラフィックとユーザトラジェクトリの同時シミュレーションのためのマルチスケール拡散変換器である。 トラフィックと軌道生成タスクの最先端のベースラインを超えている。
• 参考スコア（独自算出の注目度）: 20.211463364436202
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: User mobility trajectory and mobile traffic data are essential for a wide spectrum of applications including urban planning, network optimization, and emergency management. However, large-scale and fine-grained mobility data remains difficult to obtain due to privacy concerns and collection costs, making it essential to simulate realistic mobility and traffic patterns. User trajectories and mobile traffic are fundamentally coupled, reflecting both physical mobility and cyber behavior in urban environments. Despite this strong interdependence, existing studies often model them separately, limiting the ability to capture cross-modal dynamics. Therefore, a unified framework is crucial. In this paper, we propose MSTDiff, a Multi-Scale Diffusion Transformer for joint simulation of mobile traffic and user trajectories. First, MSTDiff applies discrete wavelet transforms for multi-resolution traffic decomposition. Second, it uses a hybrid denoising network to process continuous traffic volumes and discrete location sequences. A transition mechanism based on urban knowledge graph embedding similarity is designed to guide semantically informed trajectory generation. Finally, a multi-scale Transformer with cross-attention captures dependencies between trajectories and traffic. Experiments show that MSTDiff surpasses state-of-the-art baselines in traffic and trajectory generation tasks, reducing Jensen-Shannon divergence (JSD) across key statistical metrics by up to 17.38% for traffic generation, and by an average of 39.53% for trajectory generation. The source code is available at: https://github.com/tsinghua-fib-lab/MSTDiff .
• Abstract（参考訳）: 都市計画,ネットワーク最適化,緊急管理など,幅広い分野のアプリケーションにおいて,ユーザモビリティトラジェクトリと移動トラフィックデータが不可欠である。 しかし,プライバシの懸念や収集コストから,大規模かつきめ細かなモビリティデータを取得することは依然として困難であり,現実的なモビリティや交通パターンをシミュレートすることが不可欠である。 ユーザトラジェクトリとモバイルトラフィックは基本的に結合されており、都市環境における物理的モビリティとサイバー行動の両方を反映している。 この強い相互依存にもかかわらず、既存の研究はしばしばそれらを個別にモデル化し、クロスモーダル力学を捉える能力を制限する。 したがって、統一されたフレームワークが不可欠である。 本稿では,モバイルトラフィックとユーザトラジェクトリの同時シミュレーションを行うマルチスケール拡散変換器 MSTDiff を提案する。 まず、MSTDiffは離散ウェーブレット変換を多分解能トラフィック分解に適用する。 第二に、連続的なトラフィックボリュームと離散的な位置シーケンスを処理するために、ハイブリッドなデノナイジングネットワークを使用する。 都市知識グラフの埋め込み類似性に基づく遷移機構は,意味的に情報を得た軌道生成を導くように設計されている。 最後に、クロスアテンションを備えたマルチスケールトランスフォーマーは、トラジェクトリとトラフィック間の依存関係をキャプチャする。 実験により、MSTDiffは交通と軌道生成タスクの最先端のベースラインを超過し、主要な統計指標におけるJensen-Shannon分散(JSD)を最大17.38%削減し、軌道生成では平均39.53%削減した。 ソースコードは、https://github.com/tsinghua-fib-lab/MSTDiff で入手できる。

関連論文リスト

• Rethinking Traffic Flow Forecasting: From Transition to Generatation [0.0]
  本稿では,交通流予測のための多分岐類似性変換器,すなわちEMBSFormerを提案する。 トラフィックフローに影響を与える要因はノードレベルのトラフィック生成とグラフレベルのトラフィック遷移であり、ノードの多周期性と相互作用パターンをそれぞれ記述している。 交通遷移において,グローバルノードの相互作用を維持するために時間的・空間的自己認識機構を用い,それぞれGNNと時間的共振器を用いて局所ノードの相互作用をモデル化する。
  論文  参考訳（メタデータ） (2025-04-19T09:52:39Z)
• Deep Learning-driven Mobile Traffic Measurement Collection and Analysis [0.43512163406552007]
  本稿では,空間的・時間的領域において,深層学習(DL)技術の強力な階層的特徴学習能力を利用する。 そこで我々は,都市規模の交通分析と予測のためのソリューションを開発した。
  論文  参考訳（メタデータ） (2024-10-14T06:53:45Z)
• Communication-Efficient Framework for Distributed Image Semantic Wireless Transmission [68.69108124451263]
  IoTデバイスを用いたマルチタスク分散画像伝送のためのFederated Learning-based semantic communication (FLSC)フレームワーク。 各リンクは階層型視覚変換器(HVT)ベースの抽出器とタスク適応トランスレータで構成される。 チャネル状態情報に基づく多重出力多重出力伝送モジュール。
  論文  参考訳（メタデータ） (2023-08-07T16:32:14Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Decoupled Dynamic Spatial-Temporal Graph Neural Network for Traffic Forecasting [27.82230529014677]
  道路網における交通状況を予測する能力は重要な機能であり、課題である。 近年の時空間グラフニューラルネットワークの提案は,交通データにおける複雑な時空間相関のモデル化において大きな進歩を遂げている。 本稿では,データ駆動方式で拡散と固有トラフィック情報を分離する分散空間時間フレームワーク(DSTF)を提案する。
  論文  参考訳（メタデータ） (2022-06-18T04:14:38Z)
• Short-term passenger flow prediction for multi-traffic modes: A residual network and Transformer based multi-task learning method [21.13073816634534]
  Res-Transformerは、複数交通モードの短期的乗客フロー予測のための学習モデルである。 モデルは北京の2つの大規模な実世界のデータセットで評価される。 本稿では,複数交通モードにおける短時間の乗客フロー予測について,重要な洞察を与えることができる。
  論文  参考訳（メタデータ） (2022-02-27T01:09:19Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Learning dynamic and hierarchical traffic spatiotemporal features with Transformer [4.506591024152763]
  本稿では,空間時間グラフモデリングと長期交通予測のための新しいモデルであるTraffic Transformerを提案する。 Transformerは自然言語処理(NLP)で最も人気のあるフレームワークです。 注目重量行列を解析すれば 道路網の 影響力のある部分を見つけられる 交通網をよりよく学べる
  論文  参考訳（メタデータ） (2021-04-12T02:29:58Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)

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。