論文の概要: Classical Feature Embeddings Help in BERT-Based Human Mobility Prediction

• arxiv url: http://arxiv.org/abs/2510.20275v1
• Date: Thu, 23 Oct 2025 06:59:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.462803
• Title: Classical Feature Embeddings Help in BERT-Based Human Mobility Prediction
• Title（参考訳）: BERTによる人体移動予測に役立つ古典的特徴埋め込み
• Authors: Yunzhi Liu, Haokai Tan, Rushi Kanjaria, Lihuan Li, Flora D. Salim,
• Abstract要約: 本稿では,POIと時間情報を統合したSTaBERT(Semantic-Temporal aware BERT)を提案する。 実験の結果,STaBERTは予測精度を大幅に向上することがわかった。
• 参考スコア（独自算出の注目度）: 10.415834763540735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human mobility forecasting is crucial for disaster relief, city planning, and public health. However, existing models either only model location sequences or include time information merely as auxiliary input, thereby failing to leverage the rich semantic context provided by points of interest (POIs). To address this, we enrich a BERT-based mobility model with derived temporal descriptors and POI embeddings to better capture the semantics underlying human movement. We propose STaBERT (Semantic-Temporal aware BERT), which integrates both POI and temporal information at each location to construct a unified, semantically enriched representation of mobility. Experimental results show that STaBERT significantly improves prediction accuracy: for single-city prediction, the GEO-BLEU score improved from 0.34 to 0.75; for multi-city prediction, from 0.34 to 0.56.
• Abstract（参考訳）: 人的移動予測は災害救助、都市計画、公衆衛生に不可欠である。 しかし、既存のモデルは、位置列のみをモデル化するか、単に補助的な入力として時間情報を含むため、興味のある点(POI)によって提供されるリッチなセマンティックコンテキストを活用できない。 これを解決するために、BERTベースのモビリティモデルに、派生した時間記述子とPOI埋め込みを組み込むことで、人間の運動の根底にあるセマンティクスをよりよく捉えることができる。 本稿では,POIと時間情報を統合したSTaBERT(Semantic-Temporal aware BERT)を提案する。 実験の結果,STaBERTは単都市予測においてGEO-BLEUスコアを0.34から0.75に改善し,多都市予測では0.34から0.56に改善した。

関連論文リスト

• GSTM-HMU: Generative Spatio-Temporal Modeling for Human Mobility Understanding [12.79351579779076]
  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。
  論文  参考訳（メタデータ） (2025-09-23T15:20:38Z)
• Predicting Human Mobility in Disasters via LLM-Enhanced Cross-City Learning [11.567067262043544]
  DisasterMobLLMは、災害シナリオのモビリティ予測フレームワークである。 既存のディープモビリティ予測手法に統合することができる。 Acc@1の32.8%の改善とF1スコアの35.0%の改善を達成できる。
  論文  参考訳（メタデータ） (2025-07-26T01:45:27Z)
• ALOcc: Adaptive Lifting-Based 3D Semantic Occupancy and Cost Volume-Based Flow Predictions [91.55655961014027]
  シーン理解には3次元セマンティック占有とフロー予測が不可欠である。 本稿では,3つの改善点を目標とした視覚ベースのフレームワークを提案する。 我々の純粋な畳み込みアーキテクチャは、セマンティック占有率とジョイントセマンティックフロー予測の両方のために、複数のベンチマーク上で新しいSOTA性能を確立する。
  論文  参考訳（メタデータ） (2024-11-12T11:32:56Z)
• 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)
• Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Context-aware multi-head self-attentional neural network model for next location prediction [19.640761373993417]
  我々は、歴史的位置情報から位置パターンを学習するマルチヘッド自己注意ニューラルネットワーク(A)を利用する。 提案モデルが他の最先端予測モデルより優れていることを示す。 我々は,提案モデルが文脈を考慮した移動予測に不可欠であると信じている。
  論文  参考訳（メタデータ） (2022-12-04T23:40:14Z)
• 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)
• Individual Mobility Prediction: An Interpretable Activity-based Hidden Markov Approach [6.1938383008964495]
  本研究では、個人移動予測のためのアクティビティに基づくモデリングフレームワークを開発する。 提案モデルでは,最先端の長期記憶モデル(LSTM)と同様の予測性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-01-11T16:11:27Z)

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。