論文の概要: CommuniWave:A Machine Learning Model for Quantifying the Degree of Temporary Informal Behavior in Urban Communities

• arxiv url: http://arxiv.org/abs/2607.08554v1
• Date: Thu, 09 Jul 2026 14:45:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.569997
• Title: CommuniWave:A Machine Learning Model for Quantifying the Degree of Temporary Informal Behavior in Urban Communities
• Title（参考訳）: コミュニウェーブ:都市部における一時的なインフォーマル行動の度合いを定量化する機械学習モデル
• Abstract要約: 本研究では,都市部におけるインフォーマル行動の度合い(DIB)を効率的に検出・定量化する機械学習モデルであるCommuniWaveを紹介する。 このモデルは、mmaction2に基づく行動キャプチャネット(BCN)と、ランダムフォレストを用いた自己開発型YOLOv10モデル(YLX)と、行動方程式モデル(BEM)を統合する。
• 参考スコア（独自算出の注目度）: 2.007262412327553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For urban managers and designers, improving the functional attributes of urban communities to enhance territorial resilience in the face of complexity and uncertainty is crucial. Currently, community planning often follows a top-down approach and lacks effective metrics to quantify informal behaviors of residents, leading to frequent conflicts with original plans. This study introduces CommuniWave, a machine learning model designed to efficiently detect and quantify the Degree of Informal Behavior (DIB) in urban communities. The model integrates a Behavior Capture Net (BCN) based on mmaction2, a self-developed YOLOv10 model (YLX), and a Behavior Eval Model (BEM) using random forest. Ultimately, by generating DIB fluctuation charts from street videos, the model facilitates dynamic monitoring, supporting urban managers in making refined decisions to enhance the overall resilience of communities.
• Abstract（参考訳）: 都市マネジャーやデザイナにとって、複雑さや不確実性に直面した領域のレジリエンスを高めるため、都市コミュニティの機能的特性を改善することが不可欠である。 現在、コミュニティプランニングは、しばしばトップダウンのアプローチに従っており、住民の非公式な行動の定量化に効果的な指標が欠けているため、元の計画と頻繁に衝突する。 本研究では,都市部におけるインフォーマル行動の度合い(DIB)を効率的に検出・定量化する機械学習モデルであるCommuniWaveを紹介する。 このモデルは、mmaction2に基づく行動キャプチャネット(BCN)、YLXと呼ばれる自己開発型YOLOv10モデル、ランダムフォレストを用いた行動方程式モデル(BEM)を統合する。 最終的に、ストリートビデオからDIB変動チャートを生成することにより、ダイナミックなモニタリングを促進し、都市マネジャーがコミュニティ全体のレジリエンスを高めるための洗練された意思決定を行うのをサポートする。

関連論文リスト

• Scaling Behavior Foundation Model for Humanoid Robots [77.31115920959364]
  行動基礎モデル(BFM)は、大規模な行動データを活用することで課題に対処する有望なソリューションとして登場した。 提案手法は制御忠実度とタスク一般化の大幅な改善をもたらすことを示す。 これらの結果は、BFMをスケーラブルで汎用的なヒューマノイド制御の原則的かつ効果的な基盤として確立する。
  論文  参考訳（メタデータ） (2026-07-16T16:08:27Z)
• Group Effect Enhanced Generative Adversarial Imitation Learning for Individual Travel Behavior Modeling under Incentives [8.12279767264402]
  本稿では,個人行動モデリングの効率化を図るグループ効果向上型生成対逆模倣学習(gcGAIL)モデルを提案する。 公共交通機関の運賃割引ケーススタディを用いてgcGAILモデルを検証し、最先端のベンチマークと比較する。 その結果、gcGAILは、時間とともにインセンティブによる個人旅行行動反応の学習において、これらの手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-09-08T13:14:28Z)
• DynamiX: Large-Scale Dynamic Social Network Simulator [101.65679342680542]
  DynamiXは、動的ソーシャルネットワークモデリングに特化した新しい大規模ソーシャルネットワークシミュレータである。 世論のリーダーに対しては、情報ストリームに基づくリンク予測手法を提案し、同様の姿勢で潜在的ユーザを推薦する。 一般ユーザに対しては,不等式指向の行動決定モジュールを構築する。
  論文  参考訳（メタデータ） (2025-07-26T12:13:30Z)
• CitySim: Modeling Urban Behaviors and City Dynamics with Large-Scale LLM-Driven Agent Simulation [1.2430809884830318]
  我々は都市シミュレーター(CitySim)を構想し、大規模言語モデルで示す人間レベルのインテリジェンスにおけるブレークスルーを生かした。 CitySimでは、必須活動、個人の習慣、状況要因のバランスをとる価値駆動アプローチを使用して、エージェントが現実的な日々のスケジュールを生成する。 CitySimは、マイクロレベルとマクロレベルの両方において、以前の作業よりも実際の人間と密接な関係を示す。
  論文  参考訳（メタデータ） (2025-06-26T23:11:42Z)
• Incorporating LLMs for Large-Scale Urban Complex Mobility Simulation [0.04517077427559345]
  本研究では,大規模言語モデル(LLM)とエージェントベースモデリング(ABM)を統合した都市モビリティシミュレーションの革新的アプローチを提案する。 従来のルールベースのABMとは異なり、提案フレームワークはLSMを利用してエージェントの多様性とリアリズムを高める。 実世界のデータを用いて,台北市の個人行動と大規模移動パターンをモデル化した。
  論文  参考訳（メタデータ） (2025-05-28T01:54:28Z)
• MF-LLM: Simulating Population Decision Dynamics via a Mean-Field Large Language Model Framework [53.82097200295448]
  MF-LLM(Mean-Field LLM)は,まず平均場理論を社会シミュレーションに取り入れる。 MF-LLMは反復過程を通じて個人と人口間の双方向相互作用をモデル化する。 IB-Tuneは、Information Bottleneckの原理にインスパイアされた、新しい微調整手法である。
  論文  参考訳（メタデータ） (2025-04-30T12:41:51Z)
• 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)
• Efficient Adaptation in Mixed-Motive Environments via Hierarchical Opponent Modeling and Planning [51.52387511006586]
  本稿では,HOP(Hierarchical Opponent Modeling and Planning)を提案する。 HOPは階層的に2つのモジュールから構成される: 相手の目標を推論し、対応する目標条件のポリシーを学ぶ、反対モデリングモジュール。 HOPは、さまざまな未確認エージェントと相互作用する際、優れた少数ショット適応能力を示し、セルフプレイのシナリオで優れている。
  論文  参考訳（メタデータ） (2024-06-12T08:48:06Z)
• Mixing Individual and Collective Behaviours to Predict Out-of-Routine Mobility [4.442030973972382]
  本研究では,個人と集団の移動行動を動的に統合する手法を提案する。 より高度な深層学習手法を超越して、ルーチン外モビリティを予測する上で、優れた性能を示す。 個人的行動と集団的行動のギャップを埋めることによって、我々のアプローチは透明で正確な予測を提供する。
  論文  参考訳（メタデータ） (2024-04-03T13:38:49Z)
• Safety-compliant Generative Adversarial Networks for Human Trajectory Forecasting [95.82600221180415]
  群衆における人間予測は、社会的相互作用をモデル化し、衝突のないマルチモーダル分布を出力するという課題を提示する。 SGANv2は、動き時間相互作用モデリングと変圧器に基づく識別器設計を備えた安全に配慮したSGANアーキテクチャである。
  論文  参考訳（メタデータ） (2022-09-25T15:18:56Z)
• Dynamic Urban Planning: an Agent-Based Model Coupling Mobility Mode and Housing Choice. Use case Kendall Square [5.620109882646823]
  本稿では,住民の行動パターンを特徴付けるエージェントモデルを提案する。 この意思決定プロセスに影響を与える基準の現実的な識別と表現は、潜在的住宅インセンティブの影響を理解し評価するのに役立ちます。
  論文  参考訳（メタデータ） (2021-06-28T10:54:44Z)

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。