論文の概要: Data-driven Exploration of Mobility Interaction Patterns
- arxiv url: http://arxiv.org/abs/2512.07415v1
- Date: Mon, 08 Dec 2025 10:50:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-09 22:03:54.846165
- Title: Data-driven Exploration of Mobility Interaction Patterns
- Title（参考訳）: データ駆動によるモビリティインタラクションパターンの探索
- Authors: Gabriele Galatolo, Mirco Nanni,
- Abstract要約: データマイニングの観点からデータから直接始めるアプローチを提案する。
本手法は,個人間の相互相互作用の証拠となる可能性のあるデータ中の移動事象を探索し,その上に複雑で永続的なパターンとイベントの構成の時間的変化を求める。
これらのパターンの研究は、個人間のモビリティ相互作用の力学に関する新たな洞察を与え、既存のシミュレーションモデルを改善するのに役立つ可能性がある。
- 参考スコア（独自算出の注目度）: 1.052782170493037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding the movement behaviours of individuals and the way they react to the external world is a key component of any problem that involves the modelling of human dynamics at a physical level. In particular, it is crucial to capture the influence that the presence of an individual can have on the others. Important examples of applications include crowd simulation and emergency management, where the simulation of the mass of people passes through the simulation of the individuals, taking into consideration the others as part of the general context. While existing solutions basically start from some preconceived behavioural model, in this work we propose an approach that starts directly from the data, adopting a data mining perspective. Our method searches the mobility events in the data that might be possible evidences of mutual interactions between individuals, and on top of them looks for complex, persistent patterns and time evolving configurations of events. The study of these patterns can provide new insights on the mechanics of mobility interactions between individuals, which can potentially help in improving existing simulation models. We instantiate the general methodology on two real case studies, one on cars and one on pedestrians, and a full experimental evaluation is performed, both in terms of performances, parameter sensitivity and interpretation of sample results.
- Abstract（参考訳）: 個人の運動行動と外界への反応の仕方を理解することは、人間の力学を物理的にモデル化することを含むあらゆる問題の鍵となる要素である。
特に、個人の存在が他者に与える影響を捉えることが重要である。
クラウドシミュレーションや緊急管理などの応用例では、一般の文脈の一部として、人々の集団シミュレーションが個人のシミュレーションを通し、他を考慮に入れている。
既存のソリューションは基本的に、先入観的な行動モデルから始まりますが、本研究では、データマイニングの観点から、データから直接始まるアプローチを提案します。
本手法は,個人間の相互相互作用の証拠となる可能性のあるデータ中の移動事象を探索し,その上に複雑で永続的なパターンとイベントの構成の時間的変化を求める。
これらのパターンの研究は、個人間のモビリティ相互作用の力学に関する新たな洞察を与え、既存のシミュレーションモデルを改善するのに役立つ可能性がある。
本研究では,車と歩行者の2つの実ケーススタディに関する一般的な方法論をインスタンス化し,性能,パラメータ感度,サンプル結果の解釈の両面で,完全な実験評価を行う。
関連論文リスト
- Data driven discovery of human mobility models [20.402260586108792]
本研究では,人間の移動データから解釈可能なモデルを自動的に発見するための体系的アプローチを提案する。
提案手法では距離減衰効果や古典重力モデルなど,よく知られた式がいくつか見出される。
モデル表現の複雑さに対する制約を緩和することにより、人間の移動の鍵となる変数がどのようにモデルに徐々に組み込まれていくかを示す。
論文 参考訳（メタデータ） (2025-01-10T03:21:40Z) - From Individual to Society: A Survey on Social Simulation Driven by Large Language Model-based Agents [47.935533238820334]
伝統的な社会学研究は、しばしば人間の参加に頼っているが、それは効果的だが、高価であり、スケールが困難であり、倫理的な懸念がある。
大規模言語モデル(LLM)の最近の進歩は、人間の振る舞いをシミュレートし、個々の反応の複製を可能にし、多くの学際的な研究を容易にする可能性を強調している。
シミュレーションは,(1)特定の個人や人口集団を模倣する個人シミュレーション,(2)複数のエージェントが協調して特定の状況における目標を達成するシナリオシミュレーション,(3)エージェント社会内の相互作用をモデル化して実世界のダイナミクスの複雑さや多様性を反映するシミュレーション社会の3種類に分類される。
論文 参考訳（メタデータ） (2024-12-04T18:56:37Z) - PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
データ構築とモデルチューニングを改善するためのフレームワークPersLLMを提案する。
データ利用が不十分な場合には、Chain-of-Thoughtプロンプトやアンチインダクションといった戦略を取り入れます。
厳密な振舞いパターンを設計し,モデルの性格の特異性とダイナミズムを高めるために自動DPOを導入する。
論文 参考訳（メタデータ） (2024-07-17T08:13:22Z) - InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。
そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
論文 参考訳（メタデータ） (2023-11-27T14:32:33Z) - SMEMO: Social Memory for Trajectory Forecasting [34.542209630734234]
本稿では、外部記憶装置として機能するエンドツーエンドのトレーニング可能なワーキングメモリに基づくニューラルネットワークを提案する。
提案手法は,異なるエージェントの動き間の説明可能な因果関係を学習し,軌跡予測データセットの最先端結果を得ることができることを示す。
論文 参考訳（メタデータ） (2022-03-23T14:40:20Z) - Beyond Tracking: Using Deep Learning to Discover Novel Interactions in
Biological Swarms [3.441021278275805]
本稿では,システムレベルの状態を全体像から直接予測するディープ・ネットワーク・モデルを提案する。
結果の予測モデルは、人間の理解した予測モデルに基づいていないため、説明モジュールを使用する。
これは、行動生態学における人工知能の例である。
論文 参考訳（メタデータ） (2021-08-20T22:50:41Z) - Model-agnostic Fits for Understanding Information Seeking Patterns in
Humans [0.0]
不確実な意思決定タスクでは、人間はそのタスクに関連する情報を探し、統合し、行動する際、特徴的なバイアスを示す。
ここでは,これらのバイアスを総合的に測定・分類した,大規模に収集した先行設計実験のデータを再検討した。
これらのバイアスを集約的に再現するディープラーニングモデルを設計し、個々の行動の変化を捉えます。
論文 参考訳（メタデータ） (2020-12-09T04:34:58Z) - Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。
本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。
我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文 参考訳（メタデータ） (2020-07-07T17:19:56Z)
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。