論文の概要: Relative Transitions, Not Absolute Destinations: A Transfer-and-Ground Framework for Target-Trajectory-Free Human Mobility Generation

• arxiv url: http://arxiv.org/abs/2610.02033v1
• Date: Thu, 01 Oct 2026 16:49:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.310831
• Title: Relative Transitions, Not Absolute Destinations: A Transfer-and-Ground Framework for Target-Trajectory-Free Human Mobility Generation
• Title（参考訳）: 絶対的な決定ではなく相対的遷移: 目標軌道自由な人体移動生成のための移動・移動型フレームワーク
• Abstract要約: 対象都市におけるPOI座標とカテゴリのみを活用しながら、ソース都市におけるPOIとトラジェクトリから学習するターゲット・トラジェクトリフリー生成について検討する。 私たちの中核となる洞察は、この都市行きの出力を文脈条件の相対遷移に置き換えることです。 Nomadは、人々がどのように動くかを学習し、それらの動きが実現されたかを決定することを分離する、移動と地上のフレームワークである。
• 参考スコア（独自算出の注目度）: 23.302446378484547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Individual mobility trajectories support urban analysis and location-based services, yet most trajectory generators require observations from their deployment city. This assumption excludes precisely the cities where trajectories are unavailable even though points of interest (POIs) and their attributes can be obtained from public maps. We study target-trajectory-free generation: learning from POIs and trajectories in source cities while utilizing only POI coordinates and categories in a target city, with no target trajectory or trajectory-derived statistic available for training, model selection, or generation. Existing trajectory generators typically predict absolute destinations, entangling reusable movement behavior with city-specific POI identities and spatial layouts. Our core insight is to replace this city-bound output with context-conditioned relative transitions. We propose Nomad, a transfer-and-ground framework that separates learning how people move from determining where those movements are realized. Specifically, a history-conditioned flow-matching model learns from source trajectories a transition prior over semantic displacement between POI contexts, geographic displacement, and elapsed time; at inference, a behavior graph and an exploration--return walk ground sampled transitions onto the target POI map. This factorization enables a direct test of representation level transferability without assuming invariance of the full mobility distribution. Extensive experiments across ten cities and 14 transfers show that Nomad outperforms adaptation baselines in trajectory fidelity and downstream utility, lowering the average error over the best baseline of each metric by about 15% in distributional fidelity and about 3% in downstream utility.
• Abstract（参考訳）: 個々の移動軌道は都市分析と位置ベースサービスをサポートしているが、ほとんどの軌道発生装置は配置都市からの観測を必要とする。 この仮定は、関心点(POI)とその属性が公共地図から得られるとしても、軌道が利用できない都市を正確に除外する。 対象都市におけるPOI座標とカテゴリのみを活用しながら、ソース都市のPOIや軌跡から学習するが、訓練、モデル選択、生成に利用可能な目標軌跡や軌跡に基づく統計は存在しない。 既存の軌道生成装置は、通常、絶対目的地を予測し、都市固有のPOIアイデンティティと空間的レイアウトで再利用可能な動きの振る舞いを絡ませる。 私たちの中核となる洞察は、この都市行きの出力を文脈条件の相対遷移に置き換えることです。 Nomadは、人々がどのように動くかを学習し、それらの動きが実現されたかを決定することを分離する、移動と地上のフレームワークである。 具体的には、履歴条件付きフローマッチングモデルは、POIコンテキスト、地理的変位、経過時間の間の意味的変位よりも先に、ソーストラジェクトリから学習する。 この因子化により、完全なモビリティ分布の不変性を仮定することなく、表現レベルの転送可能性を直接テストできる。 10都市14回にわたる大規模な実験により、ノマドは軌道の忠実度および下流ユーティリティにおいて適応ベースラインよりも優れており、各指標の最良のベースラインに対する平均誤差は分布の忠実度で約15%、下流ユーティリティで約3%低下していることが示された。

関連論文リスト

• Plan-to-Synthesis: Cross-City Human Mobility Generation via Semantic Latent Flow Matching [50.079901905090516]
  人間のモビリティ生成は、現実的なPOI(point-of-interest)訪問軌跡を合成することを目的としている。 潜在フローマッチングに基づくセマンティックヒューマンモビリティ生成フレームワークSeMoFlowを提案する。 本研究では,SeMoFlowが既存のベースラインよりも高い軌道忠実性を実現し,都市固有のモチーフを保ち,都市間移動と都市間移動の両立を支援していることを示す。
  論文  参考訳（メタデータ） (2026-09-26T15:50:08Z)
• CityTrajBench: A Unified Benchmark for City-Scale Vehicle Trajectory Generation [11.800237669997472]
  CityTrajBenchは、都市規模の車両軌道生成のための統一されたベンチマークフレームワークとプロトコルである。 データ取り込み、軌道正規化、特徴構成、モデル適応、マップ対応後処理、モデル選択、評価を標準化する。 このベンチマークは、グローバル空間リアリズム、トリップレベル分布の忠実度、軌跡レベルの幾何学的類似性、条件付きモビリティの整合性、効率を計測する。
  論文  参考訳（メタデータ） (2026-06-01T14:08:56Z)
• Bus-Conditioned Zero-Shot Trajectory Generation via Task Arithmetic [18.619551338438548]
  本稿では,バスコンディショニングによるゼロショット軌跡生成という新たな問題設定を提案する。 そこで本研究では,まず,タスク演算を軌道生成に導入する手法であるMobTAを提案する。 我々は,MobTAが既存の手法よりも優れており,目標都市移動軌道を用いて微調整されたモデルに近い性能が得られることを示す。
  論文  参考訳（メタデータ） (2026-02-13T16:30:21Z)
• 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)
• MGF: Mixed Gaussian Flow for Diverse Trajectory Prediction [72.70572835589158]
  本稿では,軌道予測のための正規化フローモデルに対して,混合ガウス前駆体を構築することを提案する。 提案手法は,一般的な UCY/ETH および SDD データセットにおける軌道アライメントと多様性の評価において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-02-19T15:48:55Z)
• Semantic-Fused Multi-Granularity Cross-City Traffic Prediction [17.020546413647708]
  本研究では,異なる粒度で融合した意味を持つ都市間における知識伝達を実現するためのセマンティック・フューズド・マルチグラニュラリティ・トランスファー・ラーニング・モデルを提案する。 本稿では,静的な空間依存を保ちながら,様々な意味を融合する意味融合モジュールを設計する。 STLモデルの有効性を検証するため、6つの実世界のデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-02-23T04:26:34Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
  複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。 既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。 本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
  論文  参考訳（メタデータ） (2021-07-29T17:41:34Z)
• DETECT: Deep Trajectory Clustering for Mobility-Behavior Analysis [10.335486459171992]
  我々は,Deep Embedded TrajEctor ClusTering Network (DETECT)と呼ばれる,移動行動クラスタリングのための教師なしニューラルネットワークを提案する。 DETECTは3つの部分で機能する: まず、重要な部分を要約し、地理的局所性から派生した文脈で拡張することで軌道を変換する。 第2部では、潜在行動空間におけるトラジェクトリの強力な表現を学び、これによりクラスタリング関数(例えば$k$means)を適用できる。
  論文  参考訳（メタデータ） (2020-03-03T06:09:15Z)

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。