論文の概要: A Unified Model for Human Mobility Generation in Natural Disasters

• arxiv url: http://arxiv.org/abs/2511.01928v1
• Date: Sun, 02 Nov 2025 13:55:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.596145
• Title: A Unified Model for Human Mobility Generation in Natural Disasters
• Title（参考訳）: 自然災害における人力発電の統一モデル
• Authors: Qingyue Long, Huandong Wang, Qi Ryan Wang, Yong Li,
• Abstract要約: 我々は,新しい災害シナリオに一般化可能なモビリティ生成のための1対1のモデルを開発することを目指している。 自然災害(UniDisMob)における人体移動生成の統一モデルを提案する。 提案手法は最先端のベースラインを著しく上回り,平均性能改善率は13%を超えている。
• 参考スコア（独自算出の注目度）: 19.199408825843417
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human mobility generation in disaster scenarios plays a vital role in resource allocation, emergency response, and rescue coordination. During disasters such as wildfires and hurricanes, human mobility patterns often deviate from their normal states, which makes the task more challenging. However, existing works usually rely on limited data from a single city or specific disaster, significantly restricting the model's generalization capability in new scenarios. In fact, disasters are highly sudden and unpredictable, and any city may encounter new types of disasters without prior experience. Therefore, we aim to develop a one-for-all model for mobility generation that can generalize to new disaster scenarios. However, building a universal framework faces two key challenges: 1) the diversity of disaster types and 2) the heterogeneity among different cities. In this work, we propose a unified model for human mobility generation in natural disasters (named UniDisMob). To enable cross-disaster generalization, we design physics-informed prompt and physics-guided alignment that leverage the underlying common patterns in mobility changes after different disasters to guide the generation process. To achieve cross-city generalization, we introduce a meta-learning framework that extracts universal patterns across multiple cities through shared parameters and captures city-specific features via private parameters. Extensive experiments across multiple cities and disaster scenarios demonstrate that our method significantly outperforms state-of-the-art baselines, achieving an average performance improvement exceeding 13%.
• Abstract（参考訳）: 災害シナリオにおけるヒューマンモビリティ生成は、資源配分、緊急対応、救助調整において重要な役割を果たす。 山火事やハリケーンなどの災害では、人間の移動パターンが通常の状態から逸脱することが多く、作業がより困難になる。 しかし、既存の研究は通常、1つの都市や特定の災害からの限られたデータに依存しており、新しいシナリオにおけるモデルの一般化能力を著しく制限している。 実際、災害は極めて突然で予測不可能であり、あらゆる都市が経験のない新しいタイプの災害に遭遇する可能性がある。 そこで本研究では,新たな災害シナリオに一般化可能なモビリティ生成モデルを開発することを目的とする。 しかし、ユニバーサルフレームワークの構築には2つの大きな課題がある。 1)災害の種類と多様性 2)異なる都市間の異質性。 本研究では,自然災害(UniDisMob)における人体移動生成の統一モデルを提案する。 クロスディザスターの一般化を実現するため,災害後のモビリティ変化の基本的な共通パターンを利用した物理インフォームド・プロンプトと物理誘導アライメントを設計し,生成プロセスの導出を行う。 都市横断の一般化を実現するために,複数の都市にまたがる共通パターンを共有パラメータで抽出し,プライベートパラメータで都市固有の特徴をキャプチャするメタラーニングフレームワークを導入する。 複数の都市をまたいだ大規模実験と災害シナリオにより、我々の手法は最先端のベースラインを著しく上回り、平均的な性能改善が13%を超えることを示した。

関連論文リスト

• 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)
• Breaking Data Silos: Towards Open and Scalable Mobility Foundation Models via Generative Continual Learning [12.039720343078038]
  MoveGCLは、モビリティ基盤モデルをトレーニングするためのスケーラブルでプライバシ保護のフレームワークである。 我々は、MoveGCLがジョイントトレーニングに匹敵するパフォーマンスを達成し、フェデレートされた学習ベースラインを大幅に上回っていることを示す。 将来の研究を容易にするため、私たちはhttps://github.com/tsinghua-fib-lab/MoveGCLでコードとモデルをリリースしました。
  論文  参考訳（メタデータ） (2025-06-07T07:19:11Z)
• 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)
• SMA-Hyper: Spatiotemporal Multi-View Fusion Hypergraph Learning for Traffic Accident Prediction [2.807532512532818]
  現在のデータ駆動モデルは、しばしばデータ空間と多様な都市データソースの統合に苦しむ。 本稿では,交通事故予測のための動的学習フレームワークを提案する。 これは、高次のクロスリージョン学習を可能にするデュアル適応グラフ学習機構を組み込んでいる。 また、事故データと都市機能の複数のビューを融合させる事前注意機構も採用している。
  論文  参考訳（メタデータ） (2024-07-24T21:10:34Z)
• CrisisSense-LLM: Instruction Fine-Tuned Large Language Model for Multi-label Social Media Text Classification in Disaster Informatics [50.122541222825156]
  本研究では,事前学習型大規模言語モデル(LLM)の強化による災害テキスト分類への新たなアプローチを提案する。 本手法では,災害関連ツイートから包括的インストラクションデータセットを作成し,それをオープンソース LLM の微調整に用いる。 この微調整モデルでは,災害関連情報の種類,情報化,人的援助の関与など,複数の側面を同時に分類することができる。
  論文  参考訳（メタデータ） (2024-06-16T23:01:10Z)
• Harnessing Diverse Data for Global Disaster Prediction: A Multimodal Framework [0.0]
  本研究は, 新たな多モーダル災害予測フレームワークを提案する。 気象学的要因と地形学的要因との関係から, 地すべりや地すべりの予測に着目する。 モデルは利用可能なデータに基づいて慎重に構築されており、クラス不均衡に対処するための戦略も実装しています。
  論文  参考訳（メタデータ） (2023-09-28T17:36:27Z)
• Transferring Foundation Models for Generalizable Robotic Manipulation [82.12754319808197]
  インターネット規模の基盤モデルによって生成された言語推論セグメンテーションマスクを効果的に活用する新しいパラダイムを提案する。 提案手法は,オブジェクトのポーズを効果的かつ堅牢に知覚し,サンプル効率のよい一般化学習を可能にする。 デモは提出されたビデオで見ることができ、より包括的なデモはlink1またはlink2で見ることができます。
  論文  参考訳（メタデータ） (2023-06-09T07:22:12Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)
• Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
  我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。 物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。 この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
  論文  参考訳（メタデータ） (2020-10-16T02:15:34Z)
• Adaptive Reinforcement Learning Model for Simulation of Urban Mobility during Crises [2.5876546798940616]
  本研究では,通常の状況下で人間の移動パターンを学習できる適応型強化学習モデルを提案し,検証する。 提案したモデルの適用例は,ヒューストンの状況と,2017年8月にハリケーン・ハーベイによって引き起こされた洪水シナリオに示されている。
  論文  参考訳（メタデータ） (2020-09-02T21:47:18Z)

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。