論文の概要: SF-LIFE: A Large-Scale Simulated Movement Dataset for the San Francisco Bay Area
- arxiv url: http://arxiv.org/abs/2606.00430v1
- Date: Fri, 29 May 2026 23:41:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.402658
- Title: SF-LIFE: A Large-Scale Simulated Movement Dataset for the San Francisco Bay Area
- Title（参考訳）: SF-LIFE:サンフランシスコ湾地域の大規模シミュレート・ムーブメント・データセット
- Abstract要約: SF-LIFEは、輸送、移動、機械学習の研究を加速するために設計された、大規模なシミュレートされた運動データセットである。
データセットには3,024,000,000,000の位置情報が含まれており、70日間にわたってサンフランシスコベイエリアのネットワークをナビゲートする1Hzの周波数で観測された50,000個の模擬エージェントの完全な捕捉、ノイズフリー、マルチモーダリティの軌跡が含まれている。
- 参考スコア（独自算出の注目度）: 5.6799321022366795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce SF-LIFE, a large-scale simulated movement dataset designed to accelerate research in transportation, mobility, and machine learning. The dataset contains 3,024,000,000,000 location records capturing complete, noise-free, multi-modality trajectories of 500,000 simulated agents observed at a 1Hz frequency navigating the San Francisco Bay Area network over a 70-day period. The data captures (1) needs-driven daily agendas of individual agents generated by an agent-based simulation of human patterns of life and (2) detailed kinematic trajectories moving agents across the OpenStreetMap representation of San Francisco using data from 40+ transit agencies across 9 counties. SF-LIFE provides unprecedented scale and detail as trajectories are based on real transit infrastructure using San Francisco General Transit Feed Specification (GTFS) data, having agent movements across multiple modalities, including bus, rail, bike, automobile, and walking. For this high-fidelity simulated representation of San Francisco, we provide (1) the full trajectory data annotated with transportation mode labels, (2) reduced-size versions of the trajectory data with reduced temporal frequency, (3) agent activity information describing the causal activity why an agent visits a place, (4) agent demographic data, and (5) the underlying OSM road network and building data. As the first dataset of its scale and level of detail, SF-LIFE overcomes the privacy, noise, and completeness limitations inherent in real-world tracking data, providing a robust and ethically sourced resource for research in transit optimization, human mobility analysis, and urban computing.
- Abstract（参考訳）: 本研究では,移動,移動,機械学習の研究を加速する大規模な運動データセットであるSF-LIFEを紹介する。
このデータセットには3,024,000,000,000の位置情報が含まれており、サンフランシスコ・ベイエリアのネットワークを70日間にわたって1Hzの周波数で観察された50,000個の模擬エージェントの完全な、ノイズフリー、マルチモーダリティの軌跡が記録されている。
2) サンフランシスコのOpenStreetMap表現にまたがる詳細なキネマティック・トラジェクトリは,9郡にまたがる40以上の交通機関のデータを用いている。
SF-LIFEは、サンフランシスコ・ゼネラル・トランジット・フィード・スペック(GTFS)データを使った実際の交通インフラに基づいており、バス、鉄道、自転車、自動車、歩行など、様々な手段でエージェントの動きが記録されているため、前例のない規模と詳細を提供する。
このサンフランシスコの高忠実なシミュレート表現のために、(1)交通モードラベルを付加した全軌跡データ、(2)時間周波数の低減された軌跡データの縮小版、(3)エージェントがなぜ場所を訪れたかを示すエージェント活動情報、(4)エージェントの人口統計データ、(5)OSM道路網と構築データを提供する。
SF-LIFEは、そのスケールと詳細レベルの最初のデータセットとして、現実世界の追跡データに固有のプライバシー、ノイズ、完全性制限を克服し、トランジット最適化、ヒューマンモビリティ分析、都市コンピューティングの研究のための堅牢で倫理的なリソースを提供する。
関連論文リスト
- Privacy-Preserving Synthetic Dataset of Individual Daily Trajectories for City-Scale Mobility Analytics [0.0]
本研究では,集約された入力から日々の軌跡を再構築するプライバシー目的の総合モビリティデータセットを提案する。
提案手法は日本の2つのコントラスト地域で検証されている。
論文 参考訳（メタデータ） (2025-12-19T04:59:41Z) - The NetMob25 Dataset: A High-resolution Multi-layered View of Individual Mobility in Greater Paris Region [64.30214722988666]
本稿では,提案したデータセットのサーベイ設計,収集プロトコル,処理手法,特徴について述べる。
データセットには、人口統計、社会経済、家庭の特徴を記述した個人データベース(i)、タイムスタンプ、輸送モード、旅行目的を含む8,000以上の注釈付き変位を持つトリプスデータベース(ii)、約5億の高周波ポイントからなるRaw GPSトレースデータベース(iii)の3つのコンポーネントが含まれている。
論文 参考訳（メタデータ） (2025-06-06T09:22:21Z) - Learning Universal Human Mobility Patterns with a Foundation Model for Cross-domain Data Fusion [11.332722237426987]
ユニバーサルな人体移動のための基盤モデルフレームワークを提案する。
制限に対処するために、クロスドメインデータ融合と大きな言語モデルを活用します。
我々のフレームワークはドメイン転送技術による適応性を実証する。
論文 参考訳（メタデータ） (2025-03-20T01:41:28Z) - 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) - Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。
我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。
あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
論文 参考訳（メタデータ） (2024-07-03T16:08:05Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳（メタデータ） (2023-06-14T05:48:36Z) - On Designing Day Ahead and Same Day Ridership Level Prediction Models
for City-Scale Transit Networks Using Noisy APC Data [0.0]
本稿では,複数のソースからのデータの収集,クリーン化,処理,マージを併用して,トランジットライダーシップの予測に機械学習モデルをトレーニングする手法を提案する。
ナッシュビルの公共交通機関が提供している現実の交通データに対する我々のアプローチを評価する。
論文 参考訳（メタデータ） (2022-10-10T19:50:59Z) - Traffic4cast at NeurIPS 2021 -- Temporal and Spatial Few-Shot Transfer
Learning in Gridded Geo-Spatial Processes [61.16854022482186]
NeurIPS 2019と2020のIARAI Traffic4castコンペティションでは、ニューラルネットワークが将来の交通条件を1時間以内に予測することに成功した。
U-Netsは、この複雑な現実世界の地理空間的プロセスにおいて、関連する特徴を抽出する能力を実証し、勝利したアーキテクチャであることが証明された。
コンペティションは2年間で10都市をカバーし、1012以上のGPSプローブデータから収集したデータを提供する。
論文 参考訳（メタデータ） (2022-03-31T14:40:01Z) - City-Scale Holographic Traffic Flow Data based on Vehicular Trajectory
Resampling [4.899517472913586]
我々はXuancheng市で1日80,000台の連続軌道を正確な交差点通過時間で構築した。
このようなホログラフィックなトラフィックデータにより、トラフィックフローの進化のあらゆる詳細を再現することが可能である。
街中の482の道路区間を網羅し, ホログラフィックトラジェクトリを再サンプリングした交通流データについて検討した。
論文 参考訳（メタデータ） (2021-08-30T16:59:04Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - Extracting Spatiotemporal Demand for Public Transit from Mobility Data [0.0]
都市人口の変化は、交通サービスの効率的な管理にいくつかの課題をもたらす。
都市における公共交通機関の需要を簡易に推定する手法を提案する。
論文 参考訳（メタデータ） (2020-06-05T10:21:31Z)
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。