論文の概要: ELLMob: Event-Driven Human Mobility Generation with Self-Aligned LLM Framework

• arxiv url: http://arxiv.org/abs/2603.07946v1
• Date: Mon, 09 Mar 2026 04:28:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.42109
• Title: ELLMob: Event-Driven Human Mobility Generation with Self-Aligned LLM Framework
• Title（参考訳）: ELLMob: LLMフレームワークによるイベント駆動型ヒューマンモビリティ生成
• Authors: Yusong Wang, Chuang Yang, Jiawei Wang, Xiaohang Xu, Jiayi Xu, Dongyuan Li, Chuan Xiao, Renhe Jiang,
• Abstract要約: 台風・ハギビス・新型コロナウイルス・東京2021年五輪の3大イベントを対象とした,最初のイベントアノテート・モビリティ・データセットを構築した。 本稿では、まず、習慣パターンとイベント制約の間の競合する合理性を抽出する自己整合 LLM フレームワーク ELLMob を提案する。 ELLMobはすべてのイベントにおいて最先端のベースラインを獲得し、その有効性を示している。
• 参考スコア（独自算出の注目度）: 26.072771120351742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human mobility generation aims to synthesize plausible trajectory data, which is widely used in urban system research. While Large Language Model-based methods excel at generating routine trajectories, they struggle to capture deviated mobility during large-scale societal events. This limitation stems from two critical gaps: (1) the absence of event-annotated mobility datasets for design and evaluation, and (2) the inability of current frameworks to reconcile competitions between users' habitual patterns and event-imposed constraints when making trajectory decisions. This work addresses these gaps with a twofold contribution. First, we construct the first event-annotated mobility dataset covering three major events: Typhoon Hagibis, COVID-19, and the Tokyo 2021 Olympics. Second, we propose ELLMob, a self-aligned LLM framework that first extracts competing rationales between habitual patterns and event constraints, based on Fuzzy-Trace Theory, and then iteratively aligns them to generate trajectories that are both habitually grounded and event-responsive. Extensive experiments show that ELLMob wins state-of-the-art baselines across all events, demonstrating its effectiveness. Our codes and datasets are available at https://github.com/deepkashiwa20/ELLMob.
• Abstract（参考訳）: ヒトのモビリティ生成は、都市システム研究で広く使われている可塑性軌道データを合成することを目的としている。 大規模言語モデルに基づく手法は、日常的な軌跡を生成するのに優れているが、大規模な社会イベントにおいて、逸脱したモビリティを捉えるのに苦労する。 この制限は,(1)デザインと評価のためのイベントアノテートされたモビリティデータセットの欠如,(2)トラジェクティブ決定を行う際のユーザの習慣パターンとイベント付与制約の競合を解消する現在のフレームワークの欠如,という2つの重要なギャップに起因している。 この研究は、これらのギャップに2倍の貢献で対処する。 まず,台風ハギビス,新型コロナウイルス,東京2021年五輪の3大イベントを対象とした,最初のイベントアノテート・モビリティ・データセットを構築した。 第2に,ファジィ・トラス理論に基づいて,まず,習慣パターンと事象制約の競合する有理を抽出し,それを反復的に整列させて,習慣的接地とイベント応答の両方のトラジェクトリを生成する自己整合 LLM フレームワーク ELLMob を提案する。 大規模な実験により、ELLMobはすべてのイベントで最先端のベースラインを獲得し、その有効性を示している。 私たちのコードとデータセットはhttps://github.com/deepkashiwa20/ELLMob.comで公開されています。

関連論文リスト

• Cut to the Chase: Training-free Multimodal Summarization via Chain-of-Events [53.2930351741501]
  MMS(Multimodal Summarization)は、ビデオ、テキスト、画像間の情報を理解し統合することで、簡潔なテキスト要約を生成することを目的としている。 既存のアプローチは、(1)ドメイン固有の監督への依存、(2)弱いクロスモーダルな接地による暗黙の融合、(3)イベント遷移のないフラット・テンポラル・モデリングの3つの主要な課題に悩まされている。 これらの問題に対処するために、**CoE*は、階層イベントグラフ(HEG)によってガイドされた**Chain-of-Events**を通じて構造化推論を実行する、トレーニング不要なMMSフレームワークである**CoE*を紹介する。
  論文  参考訳（メタデータ） (2026-03-06T12:29:33Z)
• HGTUL: A Hypergraph-based Model For Trajectory User Linking [2.9945319641858985]
  Tray User Linking (TUL) は、匿名のトラジェクトリとそれを生成するユーザをリンクする。 HGTUL(HyperGraph-based Multi-perspective Trajectory User Linking Model)を提案する。
  論文  参考訳（メタデータ） (2025-02-11T13:39:35Z)
• Finding Meaning in Points: Weakly Supervised Semantic Segmentation for Event Cameras [45.063747874243276]
  本稿では,イベントベースセマンティックセマンティックセグメンテーションのための新しい弱教師付きアプローチEV-WSSSを提案する。 提案フレームワークは,(1)前向きのイベントデータと(2)逆向きのイベントデータとの間に非対称な二重学習を行う。 提案手法は,画素レベルの高密度地下真実に頼らずとも,かなりのセグメンテーション結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-07-15T20:00:50Z)
• CrowdMoGen: Zero-Shot Text-Driven Collective Motion Generation [43.12717215650305]
  我々は、集合モーション生成のための最初のゼロショットフレームワークであるCrowdMoGenを紹介する。 CrowdMoGenは、個人を効果的にグループ化し、テキストプロンプトからイベント整列モーションシーケンスを生成する。 集合運動生成の第1のフレームワークとして、CrowdMoGenは、都市シミュレーション、群衆計画、その他の大規模対話環境における応用を前進させる可能性を秘めている。
  論文  参考訳（メタデータ） (2024-07-08T17:59:36Z)
• Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。 バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• GenEARL: A Training-Free Generative Framework for Multimodal Event Argument Role Labeling [89.07386210297373]
  GenEARLは、イベントタスク記述を理解するために近代的な生成モデルの力を利用する、トレーニング不要な生成フレームワークである。 GenEARLは、M2E2データセットとSwiGデータセット上のゼロショットEARLに対して、CLIPベースラインを9.4%、精度14.2%で上回っている。
  論文  参考訳（メタデータ） (2024-04-07T00:28:13Z)
• Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
  軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。 現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。 本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-09T20:32:49Z)
• Event-Free Moving Object Segmentation from Moving Ego Vehicle [88.33470650615162]
  動的シーンにおけるオブジェクトセグメンテーション(MOS)の移動は、自律運転において重要で困難だが、未調査の研究テーマである。 ほとんどのセグメンテーション法は、光学フローマップから得られるモーションキューを利用する。 我々は,光学的フローに頼らずにリッチなモーションキューを提供する,より優れた映像理解のためのイベントカメラを活用することを提案する。
  論文  参考訳（メタデータ） (2023-04-28T23:43:10Z)
• Document-level Event Extraction via Heterogeneous Graph-based Interaction Model with a Tracker [23.990907956996413]
  文書レベルのイベント抽出は、記事全体からイベント情報を認識することを目的としている。 この2つの課題のために既存の手法は有効ではない。 トラッカーを用いた異種グラフベースインタラクションモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-31T12:45:03Z)
• DETECT: Deep Trajectory Clustering for Mobility-Behavior Analysis [10.335486459171992]
  我々は,Deep Embedded TrajEctor ClusTering Network (DETECT)と呼ばれる,移動行動クラスタリングのための教師なしニューラルネットワークを提案する。 DETECTは3つの部分で機能する: まず、重要な部分を要約し、地理的局所性から派生した文脈で拡張することで軌道を変換する。 第2部では、潜在行動空間におけるトラジェクトリの強力な表現を学び、これによりクラスタリング関数(例えば$k$means)を適用できる。
  論文  参考訳（メタデータ） (2020-03-03T06:09:15Z)

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。