論文の概要: Detecting Transportation Mode Using Dense Smartphone GPS Trajectories and Transformer Models

• arxiv url: http://arxiv.org/abs/2603.00340v1
• Date: Fri, 27 Feb 2026 22:20:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.148101
• Title: Detecting Transportation Mode Using Dense Smartphone GPS Trajectories and Transformer Models
• Title（参考訳）: 高密度スマートフォンGPS軌道と変圧器モデルを用いた移動モードの検出
• Authors: Yuandong Zhang, Othmane Echchabi, Tianshu Feng, Wenyi Zhang, Hsuai-Kai Liao, Charles Chang,
• Abstract要約: 我々は、高密度のスマートフォンGPS軌道から輸送モードを推測するために、速度入力のみに依存する新しいトランスフォーマーベースのモデルであるSpeedTransformerを紹介する。 ベンチマーク実験では、SpeedTransformerはLong Short-Term Memory (LSTM)ネットワークのような従来のディープラーニングモデルよりも優れていた。 実際の実験でモデルをデプロイし、複雑な構築環境下でのベースラインモデルと高いデータ不確実性を一貫して上回りました。
• 参考スコア（独自算出の注目度）: 11.280640663443826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transportation mode detection is an important topic within GeoAI and transportation research. In this study, we introduce SpeedTransformer, a novel Transformer-based model that relies solely on speed inputs to infer transportation modes from dense smartphone GPS trajectories. In benchmark experiments, SpeedTransformer outperformed traditional deep learning models, such as the Long Short-Term Memory (LSTM) network. Moreover, the model demonstrated strong flexibility in transfer learning, achieving high accuracy across geographical regions after fine-tuning with small datasets. Finally, we deployed the model in a real-world experiment, where it consistently outperformed baseline models under complex built environments and high data uncertainty. These findings suggest that Transformer architectures, when combined with dense GPS trajectories, hold substantial potential for advancing transportation mode detection and broader mobility-related research.
• Abstract（参考訳）: 交通モード検出はGeoAIと交通研究において重要な課題である。 本研究では,高密度スマートフォンGPSから移動モードを推定するために,速度入力のみに依存する新しいトランスフォーマーモデルであるSpeedTransformerを紹介する。 ベンチマーク実験では、SpeedTransformerはLong Short-Term Memory (LSTM)ネットワークのような従来のディープラーニングモデルよりも優れていた。 さらに、このモデルは転送学習において強力な柔軟性を示し、小さなデータセットで微調整した後、地理的領域にわたって高い精度を達成した。 最後に、実世界の実験でモデルをデプロイし、複雑な構築環境下でのベースラインモデルと高いデータ不確実性で一貫してパフォーマンスを向上しました。 これらの結果から,トランスフォーマーアーキテクチャと高密度GPSトラジェクトリを組み合わせることで,トランスポートモードの検出とより広範なモビリティ関連研究に有意な可能性を秘めていることが示唆された。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Multimodal Trajectory Representation Learning for Travel Time Estimation [15.25848441558445]
  本稿では,Multimodal Dynamic Trajectory Integrationフレームワークを紹介する。 GPSシーケンス、グリッドトラジェクトリ、道路ネットワークの制約を統合して、TTEの精度を向上させる。 3つの実世界のデータセットの実験において、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-07T12:04:16Z)
• Traj-Transformer: Diffusion Models with Transformer for GPS Trajectory Generation [15.689474391811734]
  本稿では,条件情報埋め込みと雑音予測の両方にトランスフォーマバックボーンを用いた新しいモデルであるトラジェクトリ・トランスフォーマーを提案する。 2つの実世界のデータセットの実験により、トレイトランスフォーマーは生成品質を大幅に向上し、以前のアプローチで見られた問題を効果的に緩和することを示した。
  論文  参考訳（メタデータ） (2025-10-07T05:41:09Z)
• GPS-MTM: Capturing Pattern of Normalcy in GPS-Trajectories with self-supervised learning [7.240185261197756]
  大規模モビリティデータの基礎モデルであるGPSMasked Trajectory Transformer(GPS-MTM)を紹介する。 GPS-MTMはモビリティを2つの相補的なモードに分解する:状態(興味のあるカテゴリー)と行動(エージェント遷移)
  論文  参考訳（メタデータ） (2025-09-28T19:00:50Z)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• 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)
• CTIN: Robust Contextual Transformer Network for Inertial Navigation [20.86392550313961]
  Inertial Navigation(CTIN)のための頑健なCon Transformerベースのネットワークを提案し,速度と軌道を正確に予測する。 CTINは非常に堅牢で、最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-12-03T19:57:34Z)
• TransMOT: Spatial-Temporal Graph Transformer for Multiple Object Tracking [74.82415271960315]
  映像内の物体間の空間的・時間的相互作用を効率的にモデル化するソリューションであるTransMOTを提案する。 TransMOTは従来のTransformerよりも計算効率が高いだけでなく、トラッキング精度も向上している。 提案手法は、MOT15、MOT16、MOT17、MOT20を含む複数のベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-04-01T01:49:05Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)

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。