論文の概要: Privacy-Preserving Synthetic Dataset of Individual Daily Trajectories for City-Scale Mobility Analytics

• arxiv url: http://arxiv.org/abs/2512.17239v1
• Date: Fri, 19 Dec 2025 04:59:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.250346
• Title: Privacy-Preserving Synthetic Dataset of Individual Daily Trajectories for City-Scale Mobility Analytics
• Title（参考訳）: 都市規模モビリティ分析のための個人軌跡のプライバシ保存型合成データセット
• Authors: Jun'ichi Ozaki, Ryosuke Susuta, Takuhiro Moriyama, Yohei Shida,
• Abstract要約: 本研究では,集約された入力から日々の軌跡を再構築するプライバシー目的の総合モビリティデータセットを提案する。 提案手法は日本の2つのコントラスト地域で検証されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban mobility data are indispensable for urban planning, transportation demand forecasting, pandemic modeling, and many other applications; however, individual mobile phone-derived Global Positioning System traces cannot generally be shared with third parties owing to severe re-identification risks. Aggregated records, such as origin-destination (OD) matrices, offer partial insights but fail to capture the key behavioral properties of daily human movement, limiting realistic city-scale analyses. This study presents a privacy-preserving synthetic mobility dataset that reconstructs daily trajectories from aggregated inputs. The proposed method integrates OD flows with two complementary behavioral constraints: (1) dwell-travel time quantiles that are available only as coarse summary statistics and (2) the universal law for the daily distribution of the number of visited locations. Embedding these elements in a multi-objective optimization framework enables the reproduction of realistic distributions of human mobility while ensuring that no personal identifiers are required. The proposed framework is validated in two contrasting regions of Japan: (1) the 23 special wards of Tokyo, representing a dense metropolitan environment; and (2) Fukuoka Prefecture, where urban and suburban mobility patterns coexist. The resulting synthetic mobility data reproduce dwell-travel time and visit frequency distributions with high fidelity, while deviations in OD consistency remain within the natural range of daily fluctuations. The results of this study establish a practical synthesis pathway under real-world constraints, providing governments, urban planners, and industries with scalable access to high-resolution mobility data for reliable analytics without the need for sensitive personal records, and supporting practical deployments in policy and commercial domains.
• Abstract（参考訳）: 都市移動データは、都市計画、交通需要予測、パンデミックモデリング、その他多くの応用に欠かせないが、個々の携帯電話によるグローバル位置決めシステムは、深刻な再識別リスクのため、一般的に第三者と共有できない。 オリジン・デスティネーション(OD)行列のような集約された記録は、部分的な洞察を提供するが、日々の人間の運動の重要な行動特性を捉えず、現実的な都市規模の分析を制限している。 本研究では,集約された入力から日々の軌跡を再構築するプライバシー保護型総合モビリティデータセットを提案する。 提案手法は,(1)粗い要約統計としてのみ利用可能である居住時間量子化法と(2)訪問地数の日次分布に関する普遍法という2つの相補的行動制約をODフローに統合する。 これらの要素を多目的最適化フレームワークに組み込むことで、人間の移動性の現実的な分布を再現することができる。 提案手法は,都心部23区(都心部23区)と,都心部と郊外部の移動パターンが共存する福岡県の2地域において検証された。 得られた合成モビリティデータは, 日変動の自然な範囲に留まりながら, 高忠実度で居住時間と訪問頻度分布を再現する。 本研究は, 現実の制約下での実践的な合成経路を確立し, 政府, 都市計画者, 産業に, 機密性の高い個人記録を必要とせず, 信頼性の高い分析を行うための高解像度モビリティデータへのスケーラブルなアクセスを提供し, 政策及び商業領域における実践的な展開を支援する。

関連論文リスト

• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• JiuTian Chuanliu: A Large Spatiotemporal Model for General-purpose Dynamic Urban Sensing [31.475610263075904]
  本稿では,都市センシングのためのGDHME(General-purpose and Dynamic Human Mobility Embedding)というフレームワークを紹介する。 ステージ1では、GDHMEは人や地域を動的グラフ内のノードとして扱う。 自己回帰型自己教師型タスクは、汎用ノード埋め込みの学習をガイドするために特別に設計されている。
  論文  参考訳（メタデータ） (2025-10-26T10:04:28Z)
• 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)
• Noise Matters: Diffusion Model-based Urban Mobility Generation with Collaborative Noise Priors [17.77624029197469]
  現実世界のモビリティデータは費用がかかり、プライバシーの懸念が高まる。 拡散モデルの最近の進歩は、移動軌道生成に大きな可能性を示している。 本研究では,コラボレーティブノイズの先行する都市モビリティ生成のための拡散モデルであるCoDiffMobを提案する。
  論文  参考訳（メタデータ） (2024-12-06T12:52:24Z)
• Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
  安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。 本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
  論文  参考訳（メタデータ） (2024-11-04T09:21:00Z)
• Urban Mobility Assessment Using LLMs [19.591156495742922]
  本研究は,大規模言語モデル(LLM)を推進し,旅行調査を合成する,革新的なAIベースのアプローチを提案する。 本研究は, 異なるレベルの既存調査データと比較し, 全米各都市圏におけるこのアプローチの有効性について検討した。
  論文  参考訳（メタデータ） (2024-08-22T19:17:33Z)
• Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
  実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。 我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。 あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
  論文  参考訳（メタデータ） (2024-07-03T16:08:05Z)
• Deep Activity Model: A Generative Approach for Human Mobility Pattern Synthesis [11.90100976089832]
  我々は,人間の移動性モデリングと合成のための新しい生成的深層学習手法を開発した。 オープンソースのデータを使って、アクティビティパターンとロケーショントラジェクトリの両方を組み込む。 モデルはローカルデータで微調整できるため、さまざまな領域にわたるモビリティパターンを正確に表現することができる。
  論文  参考訳（メタデータ） (2024-05-24T02:04:10Z)
• 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)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)

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。