論文の概要: An Embarrassingly Simple Rule-based Visiting Circulation Approach to Trip Destination Prediction
- arxiv url: http://arxiv.org/abs/2607.25751v1
- Date: Tue, 28 Jul 2026 14:13:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.865648
- Title: An Embarrassingly Simple Rule-based Visiting Circulation Approach to Trip Destination Prediction
- Title（参考訳）: 簡単なルールベース訪問循環アプローチによるトリプ抑止予測
- Abstract要約: IEEE Big Data Cup 2022: Trip Destination Predictionの課題に対処するために,ルールベースの訪問循環(RVC)モデルを提案する。
首都圏における旅行情報,個人属性,原産地,その特徴を含む旅行について,対象都市圏における各旅行の目的地を予測することが課題である。
データセットから得られた洞察により、個人旅行において行動を再考し、出発点と目的地の関係が重要な役割を果たす。
- 参考スコア（独自算出の注目度）: 3.4525268847083197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose the Rule-based Visiting Circulation (RVC) model in tackling the challenge in the IEEE Big Data Cup 2022: Trip Destination Prediction. Given trips containing travel information, personal attributes, origin zones, and their features in the training metropolitan areas, the task is to predict the destination of every trip in a targeted metropolitan area whose destinations are not given at all at the training stage. We highlight the challenges in this destination prediction task -- having no knowledge of the destinations in the targeted metropolitan area. We provide insights from the datasets, in which revisiting behaviors and the relationships between origins and destinations play a crucial role in individuals' trips. Hence, we design a simple but comprehensive method, rule-based visiting circulation, which directly utilizes the origin information and individuals' trip behaviors to determine the destinations in the targeted metropolitan area, i.e., requiring no learning from the four training areas. Experimental results on both offline evaluation and leaderboard submission consistently exhibit the proposed RVC can significantly outperform supervised learning methods and other heuristics. The RVC method eventually brings us to second place in the competition leaderboard.
- Abstract（参考訳）: 本稿では,IEEE Big Data Cup 2022: Trip Destination Prediction における課題に対処するためのルールベース訪問循環(RVC)モデルを提案する。
都道府県における旅行情報、個人属性、起点域、その特徴等を含む旅行について、訓練段階では目的地が全く与えられていない対象大都市圏における各旅行の目的地を予測することが課題である。
我々は,首都圏の目的地を知らない,目的地予測タスクにおける課題を強調した。
データセットから得られた洞察により、個人旅行において行動を再考し、出発点と目的地の関係が重要な役割を果たす。
そこで,本研究では,ルールをベースとした簡易かつ包括的訪問循環手法を設計し,その原点情報と個人旅行行動を直接利用して,対象大都市圏の目的地,すなわち,4つの訓練エリアからの学習を必要とせずに決定する。
オフライン評価とリーダボード提出による実験結果から,提案したRVCは,教師付き学習法や他のヒューリスティックよりも優れる可能性が示唆された。
RVCメソッドは最終的に、競争のリーダーボードで第2位に私たちを導きます。
関連論文リスト
- Think Before You Act: Intention-Guided Reasoning for LLM-Based Location Prediction [34.169695266263254]
ユーザが直接場所を選択することは滅多にない,と我々は主張する。
この知見に触発され、2段階の意図誘導推論フレームワークであるIntentPOIを提案する。
IntentPOIは一貫して11の最先端ベースラインを上回っている。
論文 参考訳（メタデータ） (2026-06-06T11:56:44Z) - CREStE: Scalable Mapless Navigation with Internet Scale Priors and Counterfactual Guidance [13.922655150502365]
CREStEはスケーラブルな学習ベースのマップレスナビゲーションフレームワークである。
屋外都市航法におけるオープンワールドの一般化とロバストネスの課題に対処する。
CREStEは, 様々な都市, オフロード, 住宅環境において, キロスケールの地図レスナビゲーションの課題について評価する。
論文 参考訳（メタデータ） (2025-03-05T21:42:46Z) - Harnessing LLMs for Cross-City OD Flow Prediction [5.6685153523382015]
大規模言語モデル(LLM)を用いた都市間原位置推定(OD)フロー予測の新しい手法を提案する。
我々のアプローチは,LLMの高度な意味理解と文脈学習能力を利用して,異なる特徴を持つ都市間のギャップを埋める。
我々の新しいフレームワークは、ソース都市からODトレーニングデータセットを収集し、LSMを指導し、ターゲット都市における宛先POIを予測し、予測された宛先POIに最も合う場所を特定する4つの主要なコンポーネントから構成される。
論文 参考訳（メタデータ） (2024-09-05T23:04:28Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - How To Not Train Your Dragon: Training-free Embodied Object Goal
Navigation with Semantic Frontiers [94.46825166907831]
Embodied AIにおけるオブジェクトゴールナビゲーション問題に対処するためのトレーニング不要のソリューションを提案する。
本手法は,古典的な視覚的同時ローカライゼーションとマッピング(V-SLAM)フレームワークに基づく,構造化されたシーン表現を構築する。
本手法は,言語先行情報とシーン統計に基づいてシーングラフのセマンティクスを伝搬し,幾何学的フロンティアに意味知識を導入する。
論文 参考訳（メタデータ） (2023-05-26T13:38:33Z) - Distribution-aware Goal Prediction and Conformant Model-based Planning
for Safe Autonomous Driving [16.654299927694716]
本研究では,学習から学習までのタスクを,障害物認識と接地,分布認識の目標予測,モデルベース計画として再構築する。
CARLAシミュレータでは,CARNOVELベンチマークの最先端結果を報告する。
論文 参考訳（メタデータ） (2022-12-16T21:51:51Z) - Forecasting Human Trajectory from Scene History [51.72069374835107]
我々は,暗黙の場面の規則性から学習することで,将来の軌跡を予測することを提案する。
本研究では,シーン履歴情報を歴史的グループ軌跡と個々人のインタラクションの2つのタイプに分類する。
本稿では,シーン履歴をシンプルかつ効果的なアプローチで活用する,SHENet(Scene History Excavating Network)を提案する。
論文 参考訳（メタデータ） (2022-10-17T03:56:02Z) - Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。
近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。
本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-29T17:58:12Z) - Attention-based neural re-ranking approach for next city in trip
recommendations [77.34726150561087]
本稿では,旅行予約システムにおける次の目的地都市推薦問題へのアプローチについて述べる。
本研究では,候補選択のためのアプローチと,候補再選のための注意ニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2021-03-23T11:56:40Z) - A Data-Driven Analytical Framework of Estimating Multimodal Travel
Demand Patterns using Mobile Device Location Data [5.902556437760098]
本稿では,スマートフォンの位置データからマルチモーダル旅行需要パターンを抽出するデータ駆動分析フレームワークを提案する。
トラベルモードインプテーションのための訓練された単層モデルとディープニューラルネットワークを開発した。
この枠組みは、近隣の鉄道、地下鉄、高速道路、バス路線への交通ルートの近接性を評価するためにマルチモーダル交通網も組み込んでいる。
論文 参考訳（メタデータ） (2020-12-08T22:49:44Z) - Language-guided Navigation via Cross-Modal Grounding and Alternate
Adversarial Learning [66.9937776799536]
新たなビジョン・アンド・ランゲージナビゲーション(VLN)問題は、見えない写真リアリスティック環境において、エージェントがターゲットの場所に向かうことを学習することを目的としている。
VLNの主な課題は、主に2つの側面から生じている: まず、エージェントは動的に変化する視覚環境に対応する言語命令の有意義な段落に出席する必要がある。
そこで本稿では,エージェントにテキストと視覚の対応性を追跡する機能を持たせるために,クロスモーダルグラウンドモジュールを提案する。
論文 参考訳（メタデータ） (2020-11-22T09:13:46Z)
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。