論文の概要: Encounter-Driven City-Scale Human Mobility Generation with Large Language Models

• arxiv url: http://arxiv.org/abs/2610.17672v1
• Date: Tue, 13 Oct 2026 03:58:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.501406
• Title: Encounter-Driven City-Scale Human Mobility Generation with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたエンカウンタ駆動型都市スケールヒューマンモビリティ生成
• Abstract要約: 本研究では,個別の移動性と集団レベルの相互作用構造を共同で保存する,対面認識型人間移動生成について検討する。 EncounterMobは、大きめのEncounter GeneratorとIterative Coupling Frameworkで構成される、遭遇駆動のLLMフレームワークである。 日本とニューヨークでのデータセットの実験では、EncounterMobは、遭遇した7つの指標と6つの個人のモビリティ指標の全てに対して、すべての外部ベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 17.923776639905864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have shown strong potential for human mobility generation by modeling individual routines, activities, and mobility preferences. However, existing approaches remain largely resident-centric: generating realistic individual trajectories does not necessarily recover the encounters that emerge when multiple residents co-occur at the same place and time. To this end, we study encounter-aware human mobility generation, which jointly preserves individual mobility and population-level interaction structure. We propose EncounterMob, an encounter-driven LLM framework consisting of a coarse-to-fine Encounter Generator and an Iterative Coupling Framework. The Encounter Generator first captures city-level encounter rhythms and then instantiates participant-time-venue encounters, while the Iterative Coupling Framework coordinates these encounters with personal mobility behavior through successive refinement. We further introduce an encounter recovery protocol covering encounter marginal and joint distributions over residents, times, and venues. Experiments on the Japan and NYC datasets show that EncounterMob outperforms all external baselines on all seven encounter metrics and all six personal mobility metrics. Compared with ELLMob, it reduces the participant-time-venue joint error by 40.4%/41.7% and the mean personal mobility error by 58.8%/32.7% on Japan/NYC, respectively.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、個々のルーチン、アクティビティ、モビリティの嗜好をモデル化することによって、人間のモビリティ生成に強い可能性を示している。 現実的な個人軌道を生成することは、複数の居住者が同じ場所と時間に共起した時に発生する遭遇を必ずしも回復するとは限らない。 そこで本研究では,個別の移動性と集団レベルの相互作用構造を共同で保存する,遭遇認識型人間移動生成について検討する。 本稿では,大きめのEncounter GeneratorとIterative Coupling Frameworkで構成される,遭遇駆動型LLMフレームワークであるEncounterMobを提案する。 エンカウンタ・ジェネレータはまず都市レベルの出会いのリズムを捉え、次に参加者-時間-ビジネスの出会いをインスタンス化し、イテレーティブ・カップリング・フレームワークは連続的な改善を通じてこれらの出会いを個人の移動行動と調整する。 さらに, 住民, 時間, 会場にまたがる接点分布と連帯分布を網羅する出会う復旧プロトコルを導入する。 日本とニューヨークでのデータセットの実験では、EncounterMobは、遭遇した7つの指標と6つの個人のモビリティ指標の全てに対して、すべての外部ベースラインを上回ります。 ELLMobと比較すると、日本とNYCでは、参加者時別ジョイントエラーを40.4%/41.7%、個人移動誤差を58.8%/32.7%削減している。

関連論文リスト

• EgoExplorer: A Vision-Motion-Touch Observatory for Human Loco-Manipulation In Situ [67.89251850608498]
  EgoExplorerは、ウェアラブルシステムで構築された人間のロボ操作の100時間の視覚モーションタッチ観測所である。 プロの活動に重点を置いて、その連続的な録音は、エゴセントリックなビデオと、再構築された全身の動きとを一致させる。 我々は,このカバーをスパースボディセンシングで実現するために,Calibrate-Complete-Constrainパイプラインを開発した。
  論文  参考訳（メタデータ） (2026-10-13T17:59:55Z)
• 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)
• EchoWM: Open and Enterable Omnimodal World Models [71.49148067556887]
  EchoWMは、入力可能な生成メディアのための一様世界モデルである。 720pのビデオ、環境音、音楽、音声を共同生成しながら、継続的なナビゲーションに反応する。
  論文  参考訳（メタデータ） (2026-08-24T12:39:59Z)
• Towards Inclusive Mobility Modeling: Characterizing and Evaluating Elderly Trajectory Patterns in Urban Systems [0.39538366186890417]
  人口密度の低い集団、特に高齢者は、しばしば公共の移動データセットで疎結合に表現される。 本研究では,未表現サブグループのモビリティ・シグネチャの欠如がモビリティ・モデリングに与える影響を定量的に検討した。 その結果,高齢者の移動行動の体系的誤表現は,多数派に支配される集団で訓練されたモデルであることが示唆された。
  論文  参考訳（メタデータ） (2026-06-30T06:39:02Z)
• ActivityEditor: Learning to Synthesize Physically Valid Human Mobility [17.297994199477767]
  textbfActivityEditorは、ゼロショットのクロスリージョン軌道生成のための新しいデュアルLLMエージェントフレームワークである。 我々のフレームワークは複雑な合成タスクを2つの協調的な段階に分解する。 textbfActivityEditorは、さまざまな都市コンテキストにまたがる転送時に、優れたゼロショットパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-04-07T07:28:20Z)
• OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
  ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。 インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。 人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
  論文  参考訳（メタデータ） (2025-09-30T17:59:02Z)
• Mixing Individual and Collective Behaviours to Predict Out-of-Routine Mobility [4.442030973972382]
  本研究では,個人と集団の移動行動を動的に統合する手法を提案する。 より高度な深層学習手法を超越して、ルーチン外モビリティを予測する上で、優れた性能を示す。 個人的行動と集団的行動のギャップを埋めることによって、我々のアプローチは透明で正確な予測を提供する。
  論文  参考訳（メタデータ） (2024-04-03T13:38:49Z)
• Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
  ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。 本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
  論文  参考訳（メタデータ） (2023-08-20T18:23:07Z)

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。