論文の概要: Transferable Human Mobility Network Reconstruction with neuroGravity

• arxiv url: http://arxiv.org/abs/2604.23678v1
• Date: Sun, 26 Apr 2026 12:33:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.496297
• Title: Transferable Human Mobility Network Reconstruction with neuroGravity
• Title（参考訳）: ニューログラビティを用いた移動可能な人体移動ネットワーク再構築
• Authors: Jinming Yang, Shaoyu Huang, Zongyuan Huang, Yaohui Jin, Xiaokang Yang, Marta C. Gonzalez, Yanyan Xu,
• Abstract要約: 物理インフォームド深層学習モデルであるNeuroGravityを開発した。 都市施設と人口分布のみを用いて,ニューログラヴィティの地域表現は社会経済的自由度と地位と強く相関していることがわかった。 我々は世界中の1200以上の都市でモビリティフロープロキシを生成し、NeuroGravityが資源に制限された未開発の地域で重要なデータ不足を緩和する可能性を強調しています。
• 参考スコア（独自算出の注目度）: 33.130165516944516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate modeling of human mobility is critical for tackling urban planning and public health challenges. In undeveloped regions, the absence of comprehensive travel surveys necessitates reconstructing mobility networks from publicly available data. Here we develop neuroGravity, a physics-informed deep learning model that reliably reconstructs mobility flows from limited observations and transfers to unobserved cities. Using only urban facility and population distributions, we find that neuroGravity's regional representations strongly correlate with socioeconomic and livability status, offering scalable proxies for costly surveys. Furthermore, we uncover that spatial income segregation plays a key role in model transferability: mobility networks are most reliably reconstructed when target cities share similar segregation levels with the source. We design an index to quantify this segregation and accurately predict transferability. Finally, we generate mobility flow proxies for over 1,200 cities worldwide, highlighting neuroGravity's potential to mitigate critical data shortages in resource-limited, underdeveloped areas.
• Abstract（参考訳）: ヒトのモビリティの正確なモデリングは、都市計画や公衆衛生問題に取り組む上で重要である。 未発達の地域では、総合的な旅行調査が欠如しているため、公共データからモビリティネットワークを再構築する必要がある。 本稿では, 物理インフォームド深層学習モデルであるNeuroGravityを開発し, 限られた観測結果から, 未観測都市への移動フローを確実に再構築する。 都市施設と人口分布のみを用いて、ニューログラビティの地域表現は社会経済的・自由性の地位と強く相関し、コストの高い調査のためにスケーラブルなプロキシを提供する。 さらに、モデル転送可能性において、空間的所得の分離が重要な役割を担っていることを明らかにし、対象都市が同様の分離レベルをソースと共有する場合、モビリティネットワークは最も確実に再構築される。 我々は、この分離を定量化し、転送可能性を正確に予測する指標を設計する。 最後に、世界中で1200以上の都市でモビリティフロープロキシを生成し、NeuroGravityがリソースに制限された未開発領域で重要なデータ不足を緩和する可能性を強調します。

関連論文リスト

• Commute Networks as a Signature of Urban Socioeconomic Performance: Evaluating Mobility Structures with Deep Learning Models [44.99833362998488]
  通勤情報記録を信頼性・包括的情報源として利用して都市間の移動ネットワークを構築することを提案する。 ノードの特徴を考慮せずに,モビリティネットワーク構造が重要な予測性能を提供することを示す。 米国の12の主要都市で行った実験では、提案されたモデルが従来の機械学習モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-05T12:38:59Z)
• From Points to Places: Towards Human Mobility-Driven Spatiotemporal Foundation Models via Understanding Places [0.30693357740321775]
  本稿では,複数スケールにわたる人体移動と位置意味論を統合した空間基盤モデルを提案する。 我々の目標は、次世代地理空間インテリジェンスのためのスケーラブルでコンテキスト対応のモデルの開発をガイドすることです。
  論文  参考訳（メタデータ） (2025-06-17T14:27:24Z)
• Graph Network Modeling Techniques for Visualizing Human Mobility Patterns [8.537183852577687]
  グラフを連続空間に埋め込むことにより,高速なグラフマッチング,グラフ時系列モデリング,移動力学の可視化といった問題を軽減する手法を開発した。 本研究では,トラジェクトリから収集したモビリティデータをネットワーク構造やモビリティフローの変化パターンに変換する方法を実証し,マッチンググラフと未マッチンググラフの平均誤差を40%減少させるダウンストリームタスクに利用できることを示した。
  論文  参考訳（メタデータ） (2025-04-04T02:21:44Z)
• 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)
• 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)
• COLA: Cross-city Mobility Transformer for Human Trajectory Simulation [44.157114416533915]
  モデル非依存転送フレームワークを用いた都市間mObiLity trAnsformer (COLA) を開発した。 COLAはトランスフォーマーを、都市固有の特性のためのプライベートモジュールと、都市・ユニバーサルモビリティパターンのための共有モジュールに分割する。 実装された都市間ベースラインは,その優位性と有効性を示している。
  論文  参考訳（メタデータ） (2024-03-04T07:45:29Z)
• Generating Synthetic Mobility Networks with Generative Adversarial Networks [3.3528341717949197]
  MoGANは、GAN(Generative Adversarial Networks)に基づいて、現実的なモビリティネットワークを生成するモデルである。 我々は、自転車とタクシーの公共データセットの実験を行い、MoGANが古典的な重力・放射線モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-22T16:59:35Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)
• Graph Neural Network Reinforcement Learning for Autonomous Mobility-on-Demand Systems [42.08603087208381]
  我々は、AMoD制御問題は自然にノードワイドな意思決定問題として位置づけられていると論じる。 グラフニューラルネットワークによるAMoDシステムの再バランスを制御するための深層強化学習フレームワークを提案する。 重要可搬性タスクに直面した場合、学習したポリシーがゼロショット転送能力を有望に示す方法を示す。
  論文  参考訳（メタデータ） (2021-04-23T06:42:38Z)

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。