論文の概要: MobiDiff: Semantic-Aware Multi-Channel Discrete Diffusion for Human Mobility Data Generation

• arxiv url: http://arxiv.org/abs/2607.08357v1
• Date: Thu, 09 Jul 2026 11:08:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.506793
• Title: MobiDiff: Semantic-Aware Multi-Channel Discrete Diffusion for Human Mobility Data Generation
• Title（参考訳）: MobiDiff:人間移動データ生成のためのセマンティックなマルチチャネル離散拡散
• Authors: Rongchao Xu, Lin Jiang, Dahai Yu, Ximiao Li, Taichi Liu, Desheng Zhang, Yuan Tian, Guang Wang,
• Abstract要約: 本稿では,合成モビリティデータ生成のためのエンドツーエンドの離散拡散フレームワークMobiDiffを紹介する。 MobiDiffは、人間のチェックインイベントを空間的、時間的チャネルに分解し、構造化されたイベントレベル、グループレベル、チャネルレベルのマスキングを使用する。 アトランタ、ボストン、シアトルの3つの大規模な実世界のデータセットに対して、生成の忠実度、プライバシ保護、効率を評価する。
• 参考スコア（独自算出の注目度）: 15.547763516860678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human mobility data are essential for transportation optimization, urban planning, and resource allocation, yet real-world mobility data are costly to collect and difficult to share due to privacy concerns. Recent diffusion-based methods have shown promise in synthesizing realistic mobility patterns, but they typically rely on continuous or latent spatio-temporal traces, limiting their ability to natively model discrete semantic events with explicit region, activity, time, and interval structures. To address this issue, we introduce MobiDiff, an end-to-end discrete diffusion framework that efficiently generates mobility data by directly denoising multi-channel semantic skeletons, avoiding the costly interpolation, latent trace construction, and coarse-to-fine realization pipelines widely used in existing diffusion-based methods. Specifically, MobiDiff decomposes each human check-in event into spatial, activity, and temporal channels, and employs structured event-, group-, and channel-level masking to jointly capture trajectory-level mobility patterns and within-event dependencies. We evaluate generation fidelity, privacy-preserving, and efficiency on three large-scale real-world datasets from Atlanta, Boston, and Seattle. Results show that MobiDiff effectively preserves trajectory length and temporal interval distributions while remaining competitive across broader mobility statistics; it is also much faster than state-of-the-art methods, e.g., 5.3$\times$ faster than GeoGen on average during inference. These findings suggest that discrete diffusion offers an interpretable and efficient framework for synthetic mobility data generation.
• Abstract（参考訳）: 人間の移動データは交通の最適化、都市計画、資源配分に欠かせないが、現実の移動データは、プライバシー上の懸念から収集に費用がかかり、共有が困難である。 最近の拡散に基づく手法は、現実的なモビリティパターンの合成において有望であることを示しているが、それらは通常、連続的または潜時的な時間的トレースに依存し、明示的な領域、活動、時間、間隔構造を持つ個別のセマンティックイベントをネイティブにモデル化する能力を制限する。 この問題を解決するために、MobiDiffは、マルチチャネルのセマンティックスケルトンを直接分解し、コストのかかる補間、遅延トレース構造、そして既存の拡散法で広く使われている粗大化実現パイプラインを避けることによって、移動データを効率的に生成する、エンドツーエンドの離散拡散フレームワークである。 具体的には、MobiDiffは、各人間のチェックインイベントを空間的、活動的、時間的チャネルに分解し、構造化されたイベントレベル、グループレベル、チャネルレベルのマスキングを使用して、軌道レベルのモビリティパターンとイベント内依存関係を共同でキャプチャする。 アトランタ、ボストン、シアトルの3つの大規模な実世界のデータセットに対して、生成の忠実度、プライバシ保護、効率を評価する。 その結果, MobiDiff は軌跡長と時間間隔分布を効果的に保ちながら, 広域移動統計学の競争力を維持していることが明らかとなった。また, 推定時のGeoGen よりも平均5.3$\times$ で, 最先端の手法よりもはるかに高速である。 これらの結果は、離散拡散は、合成モビリティデータ生成のための解釈可能かつ効率的なフレームワークを提供することを示している。

関連論文リスト

• TrajDLM: Topology-Aware Block Diffusion Language Model for Trajectory Generation [12.444424009219077]
  TrajDLMは,ブロック拡散言語モデルに基づくトポロジ対応トラジェクトリ生成フレームワークである。 3つの都市規模のデータセットにわたって、TrajDLMは、きめ細かい局所類似度メトリクスで強力なパフォーマンスを達成する。 結果は,高精度かつ効率的な軌道生成のためのスケーラブルなアプローチとして,ブロックワイド離散拡散の有効性を強調した。
  論文  参考訳（メタデータ） (2026-05-11T05:44:40Z)
• Learning Multi-Modal Mobility Dynamics for Generalized Next Location Recommendation [51.00494428978262]
  位置推薦タスクの移動力学を特徴付けるために,マルチモーダルな時空間知識を利用する。 まず、マルチモーダル表現のための統合時空間関係グラフ(STRG)を構築する。 第二に、異なるモーダルの空間時間グラフ表現を融合するゲーティング機構を設計する。
  論文  参考訳（メタデータ） (2025-12-27T14:23:04Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• Packet-Level DDoS Data Augmentation Using Dual-Stream Temporal-Field Diffusion [2.8498570090658726]
  DDoS(Distributed Denial of Service)攻撃に対して、最近の研究は機械学習(ML)ベースのソリューションにますます依存している。 現在の合成トレース生成法は、現生のDDoS攻撃で現れる複雑な時間パターンと空間分布を捉えるのに苦労している。 拡散モデルに基づく多視点マルチストリームネットワークトラフィック生成モデルであるDual-Stream Temporal-Field Diffusion (DSTF-Diffusion)を提案する。
  論文  参考訳（メタデータ） (2025-07-27T03:40:56Z)
• A Universal Model for Human Mobility Prediction [7.542075639525391]
  個人軌跡と群集の流れの両方に適用可能なユニバーサルな人体移動予測モデル(UniMob)を提案する。 このモデルでは,MAPE と Accuracy@5 で 14% 以上,25% 以上のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2024-12-19T07:38:13Z)
• AdaFlow: Opportunistic Inference on Asynchronous Mobile Data with Generalized Affinity Control [16.944584145880793]
  AdaFlowは、階層解析に基づく正規化行列を用いて、モバイルコンテキストにおける構造化されたモダリティ親和性の定式化を開拓した。 AdaFlowは推論遅延を最大79.9%削減し、精度を61.9%向上させ、ステータスクオアプローチを上回っている。
  論文  参考訳（メタデータ） (2024-10-31T15:28:22Z)
• 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)
• 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)
• Generalizing Event-Based Motion Deblurring in Real-World Scenarios [62.995994797897424]
  イベントベースの動作遅延は、低レイテンシイベントを活用することで、有望な結果を示している。 本研究では,フレキシブルな入力空間スケールを実現するとともに,時間スケールの異なる動きのぼかしから学習できるスケール対応ネットワークを提案する。 次に,実世界のデータ分布に適合する2段階の自己教師型学習手法を開発した。
  論文  参考訳（メタデータ） (2023-08-11T04:27:29Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
  AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。 本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
  論文  参考訳（メタデータ） (2021-01-03T15:45:35Z)

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。