論文の概要: MotiveMob: Motivation as Semantic Action for Closed-Loop Human Mobility Generation

• arxiv url: http://arxiv.org/abs/2610.11442v1
• Date: Thu, 08 Oct 2026 08:00:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.87971
• Title: MotiveMob: Motivation as Semantic Action for Closed-Loop Human Mobility Generation
• Title（参考訳）: MotiveMob: クローズドループヒューマンモビリティ生成のためのセマンティックアクションとしてのモチベーション
• Abstract要約: ユーザレベルおよび時間分布シフトの下での軌道生成は、この決定構造を明示的にモデル化する利点がある。 我々は、モチベーション駆動型自動回帰フレームワークであるMotiveMobを紹介した。 我々は,MotiveMobが,ユーザレベルおよび時間的分布シフトの下で,競争的事前学習とプロンプトに基づく手法よりも優れた分布忠実性を実現することを示す。
• 参考スコア（独自算出の注目度）: 22.44401061160829
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human mobility generation, an important task in urban research, synthesizes trajectory data for urban planning and transportation management. Human mobility can be characterized as a "why-where-when" decision process: people form an intention to move and then determine where and when the corresponding activity will take place. Trajectory generation under user-level and temporal distribution shifts may benefit from explicitly modeling this decision structure. However, many existing human mobility generation methods either represent behavioral intent at a coarse granularity, such as a daily plan or a trajectory-level description, or directly predict future locations without explicitly reasoning about a possible motivation for each movement step. We introduce MotiveMob, a motivation-driven autoregressive framework for human mobility generation that first forms a hypothesis about why the next movement may occur and then jointly generates where and when it may occur. At each step, a motivation predictor conditions on the current mobility state, a long-term behavioral report, and the mobility history to infer a plausible motivation or determine whether the trajectory should terminate. Given the hypothesized motivation, a state predictor grounds it in a candidate next location and arrival time. The candidate then undergoes speed-feasibility and repetition checks before being fed back for the next decision. We evaluate MotiveMob under distribution shifts involving unseen users and unseen temporal periods, including seasonal changes and the substantial behavioral disruption caused by the COVID-19 pandemic. Experiments show that MotiveMob consistently achieves better distributional fidelity than competitive pretraining-based and prompting-based methods under user-level and temporal distribution shifts, demonstrating robust generalization to out-of-distribution mobility patterns.
• Abstract（参考訳）: 都市研究における重要な課題であるヒューマンモビリティ生成は、都市計画と交通管理のための軌道データを合成する。 人間のモビリティは「なぜどこで」意思決定プロセスとして特徴づけられる:人々は動きを意図し、それに対応する活動の場所と時期を決定する。 ユーザレベルおよび時間分布シフトの下での軌道生成は、この決定構造を明示的にモデル化する利点がある。 しかし、既存の人間の移動生成手法の多くは、日々の計画や軌跡レベルの記述など、粗い粒度の行動意図を表すか、移動段階ごとのモチベーションを明示的に推論することなく、将来の位置を直接予測する。 モーティブモブ(MotiveMob)は、モチベーション駆動による人体運動生成の自己回帰フレームワークで、まず、次の動きがなぜ起こるのかという仮説を定式化し、どこでいつ起こるのかを共同で生成する。 各ステップにおいて、モチベーション予測条件は、現在のモチベーション状態、長期の行動報告、そしてモチベーション履歴に基づいて、妥当なモチベーションを推測し、軌道が終了すべきか否かを判断する。 仮定された動機を考えると、州予測者はそれを次の場所と到着時刻の候補に置きます。 候補者は次に決定を下す前に、スピードファシビリティと繰り返しチェックを行う。 我々は、季節変化や新型コロナウイルスのパンデミックによる行動破壊など、見知らぬユーザや見つからない時間的変化を伴って、MotiveMobを評価した。 実験により、MotiveMobは、ユーザレベルおよび時間的分布シフトの下で、競争的事前学習ベースおよびプロンプトベースの手法よりも、安定した分布忠実性を実現し、アウト・オブ・ディストリビューション・モビリティーパターンへの堅牢な一般化を実証した。

関連論文リスト

• Deep Generative Model for Human Mobility Behavior [23.82250417079054]
  我々は, 空間規模が数日から数週間に及ぶ現実的な移動軌道を生成する, 深層生成モデルであるモビリティジェネレーションを提示する。 行動属性と環境コンテキストをリンクすることで、MobilityGenは、ロケーション訪問のスケーリング法則、アクティビティ時間割当、目的地選択などの重要なパターンを再現する。 MobilityGenは、旅行モード間で都市空間へのアクセスがどのように異なるか、そして、共プレゼンスダイナミクスが社会的露出と分離を形作るかといった、以前のモデルでは達成不可能な洞察を与える。
  論文  参考訳（メタデータ） (2025-10-07T21:22:08Z)
• 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)
• Chain-of-Planned-Behaviour Workflow Elicits Few-Shot Mobility Generation in LLMs [20.70758465552438]
  チェーン・オブ・プランテッド・ビヘイビアは、移動意図発生の誤り率を57.8%から19.4%に大幅に下げる。 重力モデルのようなメカニスティックモビリティモデルは、移動意図を物理的モビリティに効果的にマッピングできる。 提案した CoPB ワークフローは GPT-4-turbo を容易にして,移動行動推論のための高品質なラベルを自動生成する。
  論文  参考訳（メタデータ） (2024-02-15T09:58:23Z)
• 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)
• Weakly-supervised Action Transition Learning for Stochastic Human Motion Prediction [81.94175022575966]
  動作駆動型人間の動作予測の課題について紹介する。 一連の動作ラベルと短い動作履歴から、複数の可算な将来の動作を予測することを目的としている。
  論文  参考訳（メタデータ） (2022-05-31T08:38:07Z)
• 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)
• Dynamic predictability and spatio-temporal contexts in human mobility [0.5748187237966766]
  本研究では,個人レベルのモビリティパターンが,モビリティにおける規則性の性質について,多種多様な情報を伝達する方法について検討する。 以上の結果から,予測可能性状態における文脈的・活動的シグネチャの存在が示唆され,短期的・高次モビリティ予測へのデータ駆動型アプローチの可能性が示唆された。
  論文  参考訳（メタデータ） (2022-01-04T23:11:14Z)
• Generating Smooth Pose Sequences for Diverse Human Motion Prediction [90.45823619796674]
  本稿では,多様な動作予測と制御可能な動作予測のための統合された深部生成ネットワークを提案する。 標準ベンチマークデータセットであるHuman3.6MとHumanEva-Iの2つの実験は、我々のアプローチがサンプルの多様性と精度の両方において最先端のベースラインより優れていることを示した。
  論文  参考訳（メタデータ） (2021-08-19T00:58:00Z)
• Individual Mobility Prediction: An Interpretable Activity-based Hidden Markov Approach [6.1938383008964495]
  本研究では、個人移動予測のためのアクティビティに基づくモデリングフレームワークを開発する。 提案モデルでは,最先端の長期記憶モデル(LSTM)と同様の予測性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-01-11T16:11:27Z)

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。