論文の概要: SeoulMMOD: A Large-Scale Multimodal Origin-Destination Flow Benchmark

• arxiv url: http://arxiv.org/abs/2610.13730v1
• Date: Fri, 09 Oct 2026 15:27:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.653037
• Title: SeoulMMOD: A Large-Scale Multimodal Origin-Destination Flow Benchmark
• Title（参考訳）: KoreaMMOD: 大規模マルチモーダルオリジン-Destination Flowベンチマーク
• Abstract要約: Origin-Detination (OD) フロー予測は、都市を横断する人間の動きの量とパターンを予測することによって、都市のモビリティ決定を支援する。 既存の公共交通機関の多くは、都市全体のモビリティの部分的なビューのみを提供しており、1つの交通機関またはほとんどの2つのモードをカバーしている。 本稿では,ソウルにおける都市全体のマルチモーダルモビリティの大規模ベンチマークであるソウルMMODを紹介する。
• 参考スコア（独自算出の注目度）: 9.598587728682736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Origin-destination (OD) flow forecasting supports urban mobility decisions by predicting the volume and patterns of human movement across a city. Most existing public OD benchmarks provide only a partial view of citywide mobility, covering a single transport service or at most two modes. With partial mode coverage, observed demand changes are difficult to separate into shifts across transport modes and changes in total travel. We introduce SeoulMMOD, a large-scale public benchmark for citywide multimodal mobility in Seoul. SeoulMMOD provides three years of hourly OD flows estimating total mobility for 6 urban travel modes across 25 districts and 426 sub-districts, together with travel-time, travel-distance, calendar, rainfall, and point-of-interest (POI) signals. Using SeoulMMOD, we benchmark 14 forecasting baselines under a common protocol and analyse the effects of spatial scaling, joint versus mode-separate training, and cross-year generalization. Results show that several spatio-temporal models that work at district level do not scale to sub-district OD forecasting, and that naive joint multi-mode training does not consistently improve accuracy. Together, the dataset and benchmark establish a reproducible testbed for multi-mode, multi-year OD forecasting at the city scale.
• Abstract（参考訳）: Origin-Detination (OD) フロー予測は、都市を横断する人間の動きの量とパターンを予測することによって、都市のモビリティ決定を支援する。 既存の公的なODベンチマークのほとんどは、都市全体のモビリティを部分的に見るだけで、1つの交通機関またはほとんどの2つのモードをカバーしている。 部分的なモードカバレッジでは、観測された需要変化は、輸送モード間のシフトと全旅行の変化に分離することが困難である。 本稿では,ソウルにおける都市全体のマルチモーダルモビリティの大規模ベンチマークであるソウルMMODを紹介する。 ソウルMMODは、25の地区と426の地区にまたがる6つの都市交通モードの総移動量を推定する3年間のODフローを、旅行時間、旅行距離、カレンダー、降雨量、関心の点(POI)信号と共に提供する。 ソウルMMODを用いて,共通プロトコル下での基準線予測14点をベンチマークし,空間スケーリング,共同訓練とモード分離訓練,年次一般化の効果を解析した。 その結果、地域レベルで機能する複数の時空間モデルでは、サブディミクトOD予測にはスケールしないことが明らかとなり、ナイーブなジョイントマルチモードトレーニングは、常に精度を向上しないことがわかった。 データセットとベンチマークは、都市規模での複数年にわたるOD予測のための再現可能なテストベッドを確立する。

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)
• Where to Go Next Day: Multi-scale Spatial-Temporal Decoupled Model for Mid-term Human Mobility Prediction [7.720080504736431]
  本研究は,日常の移動パターンを把握し,次の日または週の移動経路を予測することを目的とした中期移動予測に対処する。 本研究では,空間情報と時間情報を効率的に抽出する多段階空間分離予測器(MSTDP)を提案する。 提案手法では,マルチスケールの時間パターンをモデル化する階層型エンコーダを用いて,日毎の繰り返しや週毎の周期などのパターンをモデル化し,トランスフォーマーベースのデコーダを用いて,位置や時間連鎖の予測情報へのグローバルな対応を行う。
  論文  参考訳（メタデータ） (2025-01-11T14:41:47Z)
• Instruction-Tuning Llama-3-8B Excels in City-Scale Mobility Prediction [8.583265990955693]
  そこで我々はLlama-3-8B-Mobという大規模言語モデルを紹介した。 我が国の4大都市圏の大規模移動データを用いて,本手法の有効性を検証した。 その結果,Llama-3-8B-Mobは長期移動のモデル化に優れていた。
  論文  参考訳（メタデータ） (2024-10-31T07:30:38Z)
• Urban traffic analysis and forecasting through shared Koopman eigenmodes [5.207485728774798]
  データ量の多い都市における交通流の予測は、限られた歴史的データのために困難である。 データ豊かな都市に共通する周期パターンを同定することで、伝達学習を活用する。 この方法は、交通パターンの一般的な固有モード(アーバンハートビート)を明らかにし、それらをデータ共有都市に転送する。
  論文  参考訳（メタデータ） (2024-09-07T06:24:50Z)
• 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)
• ODMixer: Fine-grained Spatial-temporal MLP for Metro Origin-Destination Prediction [89.46685577447496]
  具体的には、ODMixerは二重分岐構造を持ち、Channel Mixer、Multi-view Mixer、Bidirectional Trend Learnerが関与する。
  論文  参考訳（メタデータ） (2024-04-24T08:46:25Z)
• 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)

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。