論文の概要: Beyond Long Tail POIs: Transition-Centered Generalization for Human Mobility Prediction

• arxiv url: http://arxiv.org/abs/2605.05771v1
• Date: Thu, 07 May 2026 07:02:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.584574
• Title: Beyond Long Tail POIs: Transition-Centered Generalization for Human Mobility Prediction
• Title（参考訳）: ロングテールPOIを超えて:人間移動予測のためのトランジション中心の一般化
• Authors: Dingyang Lyu, Zhengjia Xu, Jey Han Lau, Jianzhong Qi,
• Abstract要約: 人間の移動性予測における中心的なボトルネックは、遷移レベルのロングテールの一般化にあると論じる。 我々は,次のPOI予測(RECAP)における合成生成の枠組みを提案する。 複数の実世界のデータセットの実験では、RECAPは予測精度を一貫して改善し、テール遷移に明確な利得が得られた。
• 参考スコア（独自算出の注目度）: 26.816173615057238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human mobility prediction forecasts a user's next Point of Interest (POI) from historical trajectories, supporting applications from recommendation to urban planning. Recent studies have recognized the problem with long-tail POIs in human mobility prediction, which are POIs with few visit records, making new visits to such POIs difficult to predict. Our analysis shows that many predictions fail even for visits to popular POIs. The underlying cause is often transition-level sparsity: the corresponding source-destination transition appears rarely, or never appears, in the training set. We therefore argue that a core bottleneck in human mobility prediction lies in transition-level long-tail generalization. We formulate this problem as compositional generalization and propose a tRansition rEconstruction framework for Compositional generAlization in next-POI prediction (RECAP). RECAP reconstructs long-tail transitions from two generalizable signals: multi-hop transitivity in the global transition graph and revisit evidence from a user's historical trajectory. It further uses warm-transition holdout training to discourage memorization of frequent transitions and encourage generalization from transferable signals. Experiments on multiple real-world datasets show that RECAP consistently improves prediction accuracy, with clear gains on tail transitions.
• Abstract（参考訳）: 人間の移動予測は、ユーザの次の関心点(POI)を歴史的軌道から予測し、推奨から都市計画への応用を支援する。 近年の研究では、人体移動予測における長尾POIの問題を認識しており、これは訪問記録が少ないPOIであり、そのようなPOIへの新規訪問は予測が困難である。 我々の分析は、人気のあるPOIを訪問しても多くの予測が失敗していることを示している。 根本原因は、しばしば移行レベルの範囲であり、トレーニングセットでは、対応するソース-決定遷移がまれに現れるか、決して現れない。 したがって、人間の移動性予測における中心的なボトルネックは、遷移レベルのロングテールの一般化にあると論じる。 本稿では、この問題を合成一般化として定式化し、次POI予測(RECAP)における合成系生成のためのtRansition rEconstructionフレームワークを提案する。 RECAPは、グローバル・トランジション・グラフにおけるマルチホップ・トランジシティ(英語版)と、ユーザの歴史的軌跡から証拠を再考する2つの一般化可能な信号から長いテール・トランジションを再構成する。 さらに、ウォームトランジションのホールドアウトトレーニングを使用して、頻繁なトランジションの記憶を阻害し、転送可能な信号の一般化を促進する。 複数の実世界のデータセットの実験では、RECAPは予測精度を一貫して改善し、テール遷移に明確な利得が得られた。

関連論文リスト

• TaPD: Temporal-adaptive Progressive Distillation for Observation-Adaptive Trajectory Forecasting in Autonomous Driving [10.160418242076284]
  軌道予測は自律走行に必須であり、車両は周囲のエージェントの動きを予測できる。 可変履歴長下での観測適応軌道予測のための統一的なプラグアンドプレイフレームワークであるTaPDを提案する。 Argoverse 1 と Argoverse 2 の実験は、TaPD が全ての観測範囲で強い基底線を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-06T12:51:32Z)
• Taming the Long Tail in Human Mobility Prediction [11.774792176002379]
  移動予測のためのLong-Tail Adjusted Next POI Prediction (LoTNext) フレームワークを提案する。 2つの実世界の軌道データセットによる実験により、LoTNextが既存の最先端の作業を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-10-19T04:28:44Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• Adaptive Human Trajectory Prediction via Latent Corridors [49.13061580045407]
  シーン固有の適応軌道予測の問題を定式化する。 本稿では,潜伏回廊と呼ばれる即時チューニングにインスパイアされた新しい適応手法を提案する。 0.1%の追加モデルパラメータでは、MOTシンスシミュレーションデータの改善が23.9%、MOTおよびワイルドトラックにおけるADEが16.4%となる。
  論文  参考訳（メタデータ） (2023-12-11T18:59:12Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)

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。