論文の概要: Synergistic Fusion of Topological Structure and Temporal Semantics of Mobility for Urban Region Embedding

• arxiv url: http://arxiv.org/abs/2609.08268v1
• Date: Tue, 08 Sep 2026 05:22:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.586602
• Title: Synergistic Fusion of Topological Structure and Temporal Semantics of Mobility for Urban Region Embedding
• Title（参考訳）: 都市部埋め込みのためのトポロジカルな構造と時間的意味論の相乗的融合
• Abstract要約: 都市部の埋め込みは、犯罪、収入、サービスコール予測などの多様な都市感覚タスクにおいて有望な結果を示している。 本稿では、モビリティデータから相補的なビューを導出するモビリティストリーム・ストラクチャー・シナジー(MoSS)を提案する。 MoSSは、モビリティデータだけで3つの下流タスクにまたがる最先端のパフォーマンスを達成し、補助的なモダリティに依存するベースラインよりも優れています。
• 参考スコア（独自算出の注目度）: 5.609514491713238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban region embeddings have shown promising results in diverse urban sensing tasks such as crime, income, and service-call prediction. Recent methods improve representation quality by integrating mobility data with auxiliary modalities, using cross-view attention or contrastive objectives to align heterogeneous features into a unified region representation. However, leveraging the temporal dynamics of human mobility remains under-explored. Regional inflow and outflow fluctuate throughout the day, and inter-region connections emerge, persist, and dissolve over time. Moreover, prevailing fusion strategies combine views additively and miss the joint signal that emerges only when views co-occur. To address these gaps, we propose Mobility Stream-Structure Synergy (MoSS), which derives complementary views from mobility data: a Sequence view that preserves each region's hourly inflow/outflow profile, and a Structure view based on zigzag persistence diagrams that capture how regional connectivity emerges, persists, and dissolves over time. A synergy module then extracts emergent representations from the co-occurrence of these views through multi-degree interactions, explicitly capturing higher-order signal across views. Extensive experiments on New York City and Chicago show that MoSS achieves state-of-the-art performance across three downstream tasks using mobility data alone, outperforming baselines that rely on auxiliary modalities.
• Abstract（参考訳）: 都市部の埋め込みは、犯罪、収入、サービスコール予測などの様々な都市感覚タスクにおいて有望な結果を示している。 最近の手法では、異種特徴を統一した領域表現に整合させるために、クロスビューアテンションやコントラッシブな目的を用いて、モビリティデータを補助的なモダリティと統合することで、表現品質を向上させる。 しかし、人間のモビリティの時間的ダイナミクスを活用することは、まだ解明されていない。 地域内流入と流出は日中変動し、地域間接続は時間とともに出現し、持続し、解消される。 さらに、一般的な融合戦略は、ビューを付加的に組み合わせ、ビューが共起するときにのみ現れるジョイントシグナルを見逃す。 これらのギャップに対処するために、各地域の時間的流入/流出プロファイルを保存するシーケンスビューと、地域間の接続の出現、持続、および時間の経過とともに解消するジグザグの永続化図に基づく構造ビューという、モビリティデータから補完的なビューを導出するモビリティストリーム・ストラクチャー・シナジー(MoSS)を提案する。 シナジーモジュールは、これらのビューの共起から多自由度相互作用を通じて創発的表現を抽出し、ビュー間の高次信号を明示的にキャプチャする。 ニューヨークとシカゴでの大規模な実験によると、MoSSはモビリティデータだけで3つの下流タスクで最先端のパフォーマンスを達成し、補助的なモダリティに依存するベースラインを上回っている。

関連論文リスト

• When Correlations Mislead: Confounder-Aware Multi-View Urban Region Representation Learning [16.301090791658545]
  我々は,多視点都市域表現学習のための共同設立支援フレームワークCUREを提案する。 CUREは各ビューをその地域グラフ構造でエンコードし、共有潜在コンポーネントを推定し、ビュー間の相互作用の前にその投影された影響を減少させる。 3つの実世界の都市での実験では、CUREは予測性能を改善し、不在でノイズの多いインプットビューの下で頑健であり、共有コンポーネント分離とコンテキスト依存ビュー重み付けによる信頼性の高いクロスビュー統合を提供する。
  論文  参考訳（メタデータ） (2026-09-14T09:53:56Z)
• DSFNet: Learning Dual-Domain Spectral Operators for Multi-Modality Spatio-Temporal Forecasting in Urban Transportation Systems [51.72074484150301]
  本稿ではDSFNet(Dual-Domain Spectral Network)を提案し,変数間の関係を明示的にモデル化する。 このフレームワークは、異種空間パターンを捉えるために、二重領域スペクトルフィルタリングを用いる。 2番目のベースラインと比較して、DSFNetはこれらのデータセット間でMAEを3.21%-10.16%削減する。
  論文  参考訳（メタデータ） (2026-06-05T07:33:57Z)
• 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)
• Graph Convolutional Network With Pattern-Spatial Interactive and Regional Awareness for Traffic Forecasting [0.0]
  パターンと空間モジュールからなるパターン空間の対話型融合フレームワークを提案する。 空間モジュールでは,メッセージパッシングに基づくグラフ畳み込みネットワークを設計した。 このネットワークは、地域特性バンクを活用して、データ駆動型メッセージパッシングを再構築するように設計されている。
  論文  参考訳（メタデータ） (2025-08-30T14:39:02Z)
• Identifying and Characterising Higher Order Interactions in Mobility Networks Using Hypergraphs [1.1060425537315088]
  本研究では,時間的観測窓を利用したグループ間相互作用抽出モデルであるコビジュエーションハイパーグラフを提案する。 パターンマイニングを頻繁に行うことで,異なる空間的・時間的スケールにわたる動的移動挙動を捉えたハイパーグラフを構築した。 我々のハイパーグラフに基づくモビリティ分析フレームワークは,様々な分野に適用可能なツールとして有用であることを示す。
  論文  参考訳（メタデータ） (2025-03-24T11:29:06Z)
• SaliencyI2PLoc: saliency-guided image-point cloud localization using contrastive learning [17.29563451509921]
  SaliencyI2PLocは、Saliencyマップを機能集約に融合させる、対照的な学習アーキテクチャである。 本手法は,都市シナリオ評価データセット上で78.92%のRecall@1と97.59%のRecall@20を実現する。
  論文  参考訳（メタデータ） (2024-12-20T05:20:10Z)
• COOL: A Conjoint Perspective on Spatio-Temporal Graph Neural Network for Traffic Forecasting [10.392021668859272]
  本稿では,先行情報と後続情報から異種グラフをモデル化し,高次時間関係を連続的に捉えるコンジョイント時空間グラフニューラルネットワーク(COOL)を提案する。 交通予知性を高めるために,マルチランクとマルチスケールの両方から多様な時間パターンをモデル化するコンジョイント・アテンション・デコーダを提案する。
  論文  参考訳（メタデータ） (2024-03-02T04:30:09Z)
• 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)
• Unified Domain Adaptive Semantic Segmentation [105.05235403072021]
  Unsupervised Adaptive Domain Semantic (UDA-SS)は、ラベル付きソースドメインからラベル付きターゲットドメインに監督を移すことを目的としている。 本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。 提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2023-11-22T09:18:49Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)
• Multi-Graph Fusion Networks for Urban Region Embedding [40.97361959702485]
  ヒトの移動データから都市部の埋め込みを学習することで、地域の機能を明らかにすることができ、犯罪予測のような相関性はあるものの異なるタスクを可能にする。 クロスドメイン予測タスクを実現するために,MGFN(Multi-graph fusion Network)を提案する。 実験の結果、提案されたMGFNは最先端の手法よりも最大12.35%優れていた。
  論文  参考訳（メタデータ） (2022-01-24T15:48:50Z)

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。