論文の概要: Bus-Conditioned Zero-Shot Trajectory Generation via Task Arithmetic

• arxiv url: http://arxiv.org/abs/2602.13071v1
• Date: Fri, 13 Feb 2026 16:30:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:54.033499
• Title: Bus-Conditioned Zero-Shot Trajectory Generation via Task Arithmetic
• Title（参考訳）: タスク算術によるバスコンディションゼロショット軌道生成
• Authors: Shuai Liu, Ning Cao, Yile Chen, Yue Jiang, Gao Cong,
• Abstract要約: 本稿では,バスコンディショニングによるゼロショット軌跡生成という新たな問題設定を提案する。 そこで本研究では,まず,タスク演算を軌道生成に導入する手法であるMobTAを提案する。 我々は,MobTAが既存の手法よりも優れており,目標都市移動軌道を用いて微調整されたモデルに近い性能が得られることを示す。
• 参考スコア（独自算出の注目度）: 18.619551338438548
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobility trajectory data provide essential support for smart city applications. However, such data are often difficult to obtain. Meanwhile, most existing trajectory generation methods implicitly assume that at least a subset of real mobility data from target city is available, which limits their applicability in data-inaccessible scenarios. In this work, we propose a new problem setting, called bus-conditioned zero-shot trajectory generation, where no mobility trajectories from a target city are accessible. The generation process relies solely on source city mobility data and publicly available bus timetables from both cities. Under this setting, we propose MobTA, the first approach to introduce task arithmetic into trajectory generation. MobTA models the parameter shift from bus-timetable-based trajectory generation to mobility trajectory generation in source city, and applies this shift to target city through arithmetic operations on task vectors. This enables trajectory generation that reflects target-city mobility patterns without requiring any real mobility data from it. Furthermore, we theoretically analyze MobTA's stability across base and instruction-tuned LLMs. Extensive experiments show that MobTA significantly outperforms existing methods, and achieves performance close to models finetuned using target city mobility trajectories.
• Abstract（参考訳）: モビリティトラジェクトリデータは、スマートシティアプリケーションに不可欠なサポートを提供する。 しかし、そのようなデータは入手が難しいことが多い。 一方、既存の軌道生成手法の多くは、ターゲット都市からの実際の移動データの少なくとも一部が利用可能であると暗黙的に仮定し、データアクセス不能なシナリオにおける適用性を制限している。 本研究では,バスコンディショニングによるゼロショット軌跡生成という新たな問題設定を提案する。 生成プロセスは、ソースシティのモビリティデータと、両方の都市から公開されているバスの時刻表にのみ依存する。 そこで本研究では,まず,タスク演算を軌道生成に導入する手法であるMobTAを提案する。 MobTAは,バス時刻に基づく軌道生成から移動軌道生成へのパラメータシフトをモデル化し,このシフトをタスクベクトルの算術演算により対象都市に適用する。 これにより、実際の移動データを必要とせずに、目標都市移動パターンを反映した軌道生成が可能になる。 さらに、理論上は、ベースおよび命令調整されたLLM間のMobTAの安定性を解析する。 大規模な実験により、MobTAは既存の手法よりも大幅に優れており、目標都市移動軌道を用いて微調整されたモデルに近い性能を達成している。

関連論文リスト

• Navigating Motion Agents in Dynamic and Cluttered Environments through LLM Reasoning [69.5875073447454]
  本稿では,大規模言語モデル(LLM)によって強化された動作エージェントを,動的・乱雑な環境における自律的なナビゲーションに向けて前進させる。 トレーニング不要なフレームワークは、マルチエージェント調整、クローズドループ計画、動的障害物回避を、リトレーニングや微調整なしでサポートしています。
  論文  参考訳（メタデータ） (2025-03-10T13:39:09Z)
• Chain-of-Planned-Behaviour Workflow Elicits Few-Shot Mobility Generation in LLMs [20.70758465552438]
  チェーン・オブ・プランテッド・ビヘイビアは、移動意図発生の誤り率を57.8%から19.4%に大幅に下げる。 重力モデルのようなメカニスティックモビリティモデルは、移動意図を物理的モビリティに効果的にマッピングできる。 提案した CoPB ワークフローは GPT-4-turbo を容易にして,移動行動推論のための高品質なラベルを自動生成する。
  論文  参考訳（メタデータ） (2024-02-15T09:58:23Z)
• MobilityGPT: Enhanced Human Mobility Modeling with a GPT model [15.16172813601417]
  我々は, 自動回帰生成タスクとして, 生成事前学習型トランスフォーマアーキテクチャを活用して, 人間のモビリティモデリングを再構築する。 本稿では,ジオスパティカル・アウェア・ジェネレーティブ・モデルであるモビリティGPTを提案する。 実世界のデータセットの実験では、モビリティGPTは最先端の手法よりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-05T18:22:21Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)
• AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
  AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。 本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
  論文  参考訳（メタデータ） (2021-01-03T15:45:35Z)
• Mobility Inference on Long-Tailed Sparse Trajectory [2.4444287331956898]
  大規模トラジェクトリデータにおいて,汎用的な長い尾の空間パターンを利用する単一トラジェクトリ推論アルゴリズムを提案する。 このアルゴリズムは、リコールにおける証明可能な低いバウンドで、滞在/旅行推論における100%の精度を保証する。 都市ユーザ4000万人を対象とした3つの軌跡データセットによる評価は,提案アルゴリズムの性能保証を検証した。
  論文  参考訳（メタデータ） (2020-01-21T16:32:38Z)

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。