論文の概要: Inferring missing locations in human mobility data using memory effects

• arxiv url: http://arxiv.org/abs/2611.01319v1
• Date: Sat, 31 Oct 2026 22:40:10 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:32:52.90123
• Title: Inferring missing locations in human mobility data using memory effects
• Title（参考訳）: 記憶効果を用いた人体移動データの欠落箇所推定
• Abstract要約: 人間の移動性を特徴付けるために使用される経験的データセットは、空間と時間においてスパースである。 そこで本研究では,観測結果のインフォメーション性は,欠落した進路から2方向の時間的距離で減衰する簡易計算法を提案する。
• 参考スコア（独自算出の注目度）: 0.5803951735793419
• License:
• Abstract: Empirical datasets used to characterize human mobility are sparse in space and time, owing to technological factors such as coverage and battery, or to the erratic nature of online interactions. Missing data can bias the conclusions drawn from them, so filling the gaps in incomplete timelines is a key challenge in computational social science. Here, we propose a simple imputation method in which the informativeness of an observation decays with its bidirectional temporal distance from the missing entry, at a rate set by a single parameter per individual. On synthetic and real Twitter data, a power-law decay, selected by Bayesian model comparison, yields accurate imputations (macro-AUROC above 0.9 overall, and above 0.8 for the most mobile users) and matches a gap-aware continuous-time Markov chain, outperforming it among the most mobile users. The method is robust to moderate noise and generalizes across countries and European administrative regions.
• Abstract（参考訳）: 人間の移動性を特徴づける経験的データセットは、カバーやバッテリーなどの技術的要因や、オンラインインタラクションの不安定な性質によって、空間と時間において疎外されている。 データの欠落は、それらから引き出された結論をバイアスする可能性があるため、不完全なタイムラインのギャップを埋めることは、計算社会科学における重要な課題である。 そこで本研究では,個々のパラメータが設定したレートで,観測のインフォメーション性が,消失したエントリから双方向の時間的距離で減衰する簡単な計算法を提案する。 合成および実際のTwitterデータでは、ベイジアンモデルの比較によって選択されたパワーローの崩壊により、正確な計算結果(全体の0.9以上、ほとんどのモバイルユーザーの0.8以上)が得られ、ギャップを意識した連続的なマルコフ連鎖と一致し、最もモバイルユーザの中では優れています。 この手法は中程度の騒音に対して堅牢であり、国や欧州の行政地域をまたいで一般化している。

関連論文リスト

• MobiDiff: Semantic-Aware Multi-Channel Discrete Diffusion for Human Mobility Data Generation [15.547763516860678]
  本稿では,合成モビリティデータ生成のためのエンドツーエンドの離散拡散フレームワークMobiDiffを紹介する。 MobiDiffは、人間のチェックインイベントを空間的、時間的チャネルに分解し、構造化されたイベントレベル、グループレベル、チャネルレベルのマスキングを使用する。 アトランタ、ボストン、シアトルの3つの大規模な実世界のデータセットに対して、生成の忠実度、プライバシ保護、効率を評価する。
  論文  参考訳（メタデータ） (2026-07-09T11:08:39Z)
• Towards Real-world Human Behavior Simulation: Benchmarking Large Language Models on Long-horizon, Cross-scenario, Heterogeneous Behavior Traces [81.41397370235102]
  我々はOmniBehaviorを紹介した。OmniBehaviorは実世界のデータから構築された最初のユーザシミュレーションベンチマークである。 現在のモデルでは,コンテキストウィンドウが拡大しても,複雑な振る舞いを正確にシミュレートすることが困難であることを示す。 この結果、個人差や長い尾の挙動が失われ、将来の高忠実度シミュレーション研究における重要な方向性が浮き彫りになる。
  論文  参考訳（メタデータ） (2026-04-09T15:26:21Z)
• Learning Whole-Body Human-Humanoid Interaction from Human-Human Demonstrations [63.80827184637476]
  D-STAR(D-STAR)は,行動すべき場所から行動すべき場所を乱す階層的な政策である。 広範かつ厳密なシミュレーションを通じて、我々のフレームワークを検証する。
  論文  参考訳（メタデータ） (2026-01-14T14:37:06Z)
• A theoretical framework for self-supervised contrastive learning for continuous dependent data [79.62732169706054]
  自己教師付き学習(SSL)は、特にコンピュータビジョンの分野で、表現を学習するための強力なアプローチとして登場した。 本稿では,サンプル間のアンフェマティック独立に適した対照的なSSLの理論的枠組みを提案する。 具体的には、標準のUEAベンチマークとUCRベンチマークでTS2Vecを上回り、それぞれ4.17$%と2.08$%の精度で改善した。
  論文  参考訳（メタデータ） (2025-06-11T14:23:47Z)
• SONNET: Enhancing Time Delay Estimation by Leveraging Simulated Audio [17.811771707446926]
  学習に基づく手法は、合成データにもとづいても、新しい実世界のデータに基づいてGCC-PHATを著しく上回り得ることを示す。 トレーニングされたモデルであるSONNETは、リアルタイムに実行可能で、多くの実データアプリケーションのために、最初から新しいデータに取り組んでいます。
  論文  参考訳（メタデータ） (2024-11-20T10:23:21Z)
• Spatiotemporal-Augmented Graph Neural Networks for Human Mobility Simulation [35.89805766554052]
  本稿では,SRpatio-Augmented gaph Neural Network という,位置の動的時間的効果をモデル化する新しいフレームワークを提案する。 STARフレームワークは、行動対応を捉えるために様々な時間グラフを設計し、異なる場所の居住地をシミュレートする新しいブランチを構築し、最終的にその期間を逆向きに最適化する。
  論文  参考訳（メタデータ） (2023-06-15T11:47:45Z)
• Estimating Latent Population Flows from Aggregated Data via Inversing Multi-Marginal Optimal Transport [57.16851632525864]
  累積カウントデータから潜在人口フローを推定する問題について検討する。 この問題は、プライバシーの問題や測定の不確実性のために個々の軌道が利用できない場合に発生する。 我々はMOTフレームワークのコスト関数を学習し,集約データからの遷移フローを推定する。
  論文  参考訳（メタデータ） (2022-12-30T03:03:23Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)

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。