論文の概要: Dynamic Population Distribution Aware Human Trajectory Generation with Diffusion Model

• arxiv url: http://arxiv.org/abs/2511.01929v1
• Date: Sun, 02 Nov 2025 14:06:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.597366
• Title: Dynamic Population Distribution Aware Human Trajectory Generation with Diffusion Model
• Title（参考訳）: 拡散モデルによる人軌道生成を考慮した動的人口分布
• Authors: Qingyue Long, Can Rong, Tong Li, Yong Li,
• Abstract要約: 拡散モデルに基づく新しい軌道生成フレームワークを提案する。 具体的には,軌道の空間的相関性を高めるために空間グラフを構築する。 そこで我々は,人間の移動行動の依存性を捉えるために,認知ネットワークを意識した動的人口分布を設計する。
• 参考スコア（独自算出の注目度）: 9.30751273780382
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human trajectory data is crucial in urban planning, traffic engineering, and public health. However, directly using real-world trajectory data often faces challenges such as privacy concerns, data acquisition costs, and data quality. A practical solution to these challenges is trajectory generation, a method developed to simulate human mobility behaviors. Existing trajectory generation methods mainly focus on capturing individual movement patterns but often overlook the influence of population distribution on trajectory generation. In reality, dynamic population distribution reflects changes in population density across different regions, significantly impacting individual mobility behavior. Thus, we propose a novel trajectory generation framework based on a diffusion model, which integrates the dynamic population distribution constraints to guide high-fidelity generation outcomes. Specifically, we construct a spatial graph to enhance the spatial correlation of trajectories. Then, we design a dynamic population distribution aware denoising network to capture the spatiotemporal dependencies of human mobility behavior as well as the impact of population distribution in the denoising process. Extensive experiments show that the trajectories generated by our model can resemble real-world trajectories in terms of some critical statistical metrics, outperforming state-of-the-art algorithms by over 54%.
• Abstract（参考訳）: 人間の軌道データは、都市計画、交通工学、公衆衛生において重要である。 しかし、現実の軌跡データを直接使用する場合、プライバシの懸念やデータ取得コスト、データ品質といった課題に直面することが多い。 これらの課題に対する実践的な解決策は、人間の移動行動をシミュレートする手法である軌道生成である。 既存の軌道生成法は主に個々の運動パターンを捉えることに焦点を当てているが、しばしば人口分布が軌道生成に与える影響を見落としている。 実際には、動的人口分布は異なる地域にわたる人口密度の変化を反映しており、個人の移動行動に大きな影響を及ぼす。 そこで本研究では,拡散モデルに基づく新しい軌道生成フレームワークを提案する。 具体的には,軌道の空間的相関性を高めるために空間グラフを構築する。 そこで我々は,人口分布を意識した動的人口分布を設計し,人間の移動行動の時空間依存性と人口分布の影響を捉える。 大規模な実験により、我々のモデルが生み出した軌道は、いくつかの重要な統計指標で現実世界の軌道に似ており、最先端のアルゴリズムを54%以上上回る結果となった。

関連論文リスト

• Graph RAG as Human Choice Model: Building a Data-Driven Mobility Agent with Preference Chain [4.675541221895496]
  LLM(Large Language Models)を利用した生成エージェントの最近の進歩は、広範囲なデータセットに頼ることなく、人間の振る舞いをシミュレートする可能性を示している。 本稿では,LLMとグラフ検索・拡張生成(RAG)を統合し,交通システムにおける人間行動の文脈認識シミュレーションを強化する新しい手法であるPreference Chainを紹介する。
  論文  参考訳（メタデータ） (2025-08-22T07:50:57Z)
• FloGAN: Scenario-Based Urban Mobility Flow Generation via Conditional GANs and Dynamic Region Decoupling [2.579904461452466]
  既存の生成モデルは歴史的軌跡に大きく依存しており、人口密度や土地利用の変化のような進化する要因を見落としていることが多い。 力学的なアプローチは人口密度と施設分布を取り入れているが、静的シナリオを仮定する。 本研究では,シミュレーション都市シナリオに適した原位置移動フローを生成するためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2025-07-16T09:12:38Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• MF-LLM: Simulating Population Decision Dynamics via a Mean-Field Large Language Model Framework [53.82097200295448]
  MF-LLM(Mean-Field LLM)は,まず平均場理論を社会シミュレーションに取り入れる。 MF-LLMは反復過程を通じて個人と人口間の双方向相互作用をモデル化する。 IB-Tuneは、Information Bottleneckの原理にインスパイアされた、新しい微調整手法である。
  論文  参考訳（メタデータ） (2025-04-30T12:41:51Z)
• A Universal Model for Human Mobility Prediction [7.542075639525391]
  個人軌跡と群集の流れの両方に適用可能なユニバーサルな人体移動予測モデル(UniMob)を提案する。 このモデルでは,MAPE と Accuracy@5 で 14% 以上,25% 以上のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2024-12-19T07:38:13Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Continuous Trajectory Generation Based on Two-Stage GAN [50.55181727145379]
  本稿では,道路網上の連続軌道を生成するために,新たな2段階生成対向フレームワークを提案する。 具体的には、A*アルゴリズムの人間の移動性仮説に基づいてジェネレータを構築し、人間の移動性について学習する。 判別器では, 逐次報酬と移動ヤウ報酬を組み合わせることで, 発電機の有効性を高める。
  論文  参考訳（メタデータ） (2023-01-16T09:54:02Z)
• 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)
• Deep Gravity: enhancing mobility flows generation with deep neural networks and geographic information [1.479639149658596]
  既存のフロー生成ソリューションは主にメカニスティックなアプローチに基づいている。 フロー生成に有効な解として,多機能深層重力モデルを提案する。 本実験は, イングランドの通勤流を対象とした実験で, MFDGモデルが性能を著しく向上させることを示すものである。
  論文  参考訳（メタデータ） (2020-12-01T13:49:46Z)

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。