論文の概要: TrajFlow: Nation-wide Pseudo GPS Trajectory Generation with Flow Matching Models

• arxiv url: http://arxiv.org/abs/2603.15009v1
• Date: Mon, 16 Mar 2026 09:15:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:57.906957
• Title: TrajFlow: Nation-wide Pseudo GPS Trajectory Generation with Flow Matching Models
• Title（参考訳）: TrajFlow:フローマッチングモデルによる全国規模の擬似GPS軌道生成
• Authors: Peiran Li, Jiawei Wang, Haoran Zhang, Xiaodan Shi, Noboru Koshizuka, Chihiro Shimizu, Renhe Jiang,
• Abstract要約: TrajFlowは、GPS軌道生成のための最初のフローマッチングベースの生成モデルである。 都市部,都市部,全国レベルで,TrajFlowが拡散ベースおよび深部生成ベースラインを一貫して上回っていることを示す。 全国初のマルチスケールGPSトラジェクトリ生成モデルであるTrajFlowは、地域間都市計画、交通管理、災害対応を支援する強力な可能性を示している。
• 参考スコア（独自算出の注目度）: 18.786822812556625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The importance of mobile phone GPS trajectory data is widely recognized across many fields, yet the use of real data is often hindered by privacy concerns, limited accessibility, and high acquisition costs. As a result, generating pseudo-GPS trajectory data has become an active area of research. Recent diffusion-based approaches have achieved strong fidelity but remain limited in spatial scale (small urban areas), transportation-mode diversity, and efficiency (requiring numerous sampling steps). To address these challenges, we introduce TrajFlow, which to the best of our knowledge is the first flow-matching-based generative model for GPS trajectory generation. TrajFlow leverages the flow-matching paradigm to improve robustness and efficiency across multiple geospatial scales, and incorporates a trajectory harmonization and reconstruction strategy to jointly address scalability, diversity, and efficiency. Using a nationwide mobile phone GPS dataset with millions of trajectories across Japan, we show that TrajFlow or its variants consistently outperform diffusion-based and deep generative baselines at urban, metropolitan, and nationwide levels. As the first nationwide, multi-scale GPS trajectory generation model, TrajFlow demonstrates strong potential to support inter-region urban planning, traffic management, and disaster response, thereby advancing the resilience and intelligence of future mobility systems.
• Abstract（参考訳）: 携帯電話のGPSトラジェクトリデータの重要性は、多くの分野において広く認識されているが、実際のデータの使用は、プライバシの懸念、アクセシビリティの制限、高い取得コストによって妨げられていることが多い。 その結果, 擬似GPSトラジェクトリデータの生成が研究の活発な領域となっている。 近年の拡散型アプローチは, 空間スケール(小都市部), 輸送モードの多様性, 効率性(多数のサンプリングステップを必要とする)において, 強い忠実性を実現している。 これらの課題に対処するために、TrajFlowを紹介します。これは、私たちの知る限り、GPSトラジェクトリ生成のための最初のフローマッチングベースの生成モデルです。 TrajFlowはフローマッチングのパラダイムを活用して、複数の地理空間スケールにわたる堅牢性と効率を改善し、拡張性、多様性、効率性に共同で対処するための軌道調和と再構築戦略を取り入れている。 全国に何百万もの軌跡がある携帯電話GPSデータセットを用いて,TrajFlow やその変種は,都市,大都市圏,全国レベルで拡散ベースおよび深部生成ベースラインを一貫して上回っていることを示す。 全国初のマルチスケールGPSトラジェクトリ生成モデルであるTrajFlowは、地域間都市計画、交通管理、災害対応を支援する強力な可能性を示し、将来の移動システムのレジリエンスとインテリジェンスを向上させる。

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)
• 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)
• GSMT: Graph Fusion and Spatiotemporal TaskCorrection for Multi-Bus Trajectory Prediction [3.391039124827674]
  GSMTは、グラフ注意ネットワーク(GAT)とシーケンス・ツー・シーケンス・リカレントニューラルネットワーク(RNN)を統合するハイブリッドモデルである。 タスク修正器は、歴史的軌跡をクラスタリングして、異なる動きパターンを特定し、GATおよびRNNによって生成された予測を微調整する。 マレーシアのクアラルンプール(Kuala Lumpur)で実世界のデータセットを用いて行った実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-08-12T06:54:26Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• UniTraj: Learning a Universal Trajectory Foundation Model from Billion-Scale Worldwide Traces [64.24594320103066]
  ユニバーサルな軌跡基礎モデルを構築することは、既存の軌跡モデリングアプローチの限界に対処するための有望な解決策である。 以下、UniTrajを紹介します。UniTrajは3つの重要なイノベーションを通じてこれらの制限に対処することを目的としています。 まず、70か国にまたがる数十億のGPSポイントを持つ、前例のない245万のトラジェクトリのデータセットであるWorldTraceを構築します。
  論文  参考訳（メタデータ） (2024-11-06T12:06:43Z)
• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• TelTrans: Applying Multi-Type Telecom Data to Transportation Evaluation and Prediction via Multifaceted Graph Modeling [29.41878123692351]
  我々は,移動パターンを捉えるためにセルトラフィックを広範囲に網羅する新しいデータソースである地理セルトラフィック(GCT)フローを提示する。 本稿では,多変量,時空間,空間面を統合し,精度を向上させるグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-01-06T06:44:06Z)
• DiffTraj: Generating GPS Trajectory with Diffusion Probabilistic Model [44.490978394267195]
  軌道生成のための時空間確率モデル(DiffTraj)を提案する。 中心となる考え方は、逆軌道分解過程を通じて白いノイズから地理的軌跡を再構成し、合成することである。 2つの実世界のデータセットの実験により、DiffTrajは直感的に高忠実な軌道を生成することができることが示された。
  論文  参考訳（メタデータ） (2023-04-23T08:42:45Z)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)

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。