拡散モデルに基づく軌道生成フレームワークを用いた人間の移動性のシミュレーション

ほとんどの移動モデリング手法は特定のタスクを解決するために設計されており、一般化能力の欠如に関する疑問を引き起こしています。基盤モデルの進展に触発されて、私たちは軌道データセットにおける普遍的な移動パターンを捕捉するために、軌道生成プロセスを学習する拡散モデルに基づく軌道生成フレームワーク（TrajGDM）を提案しました。このプロセスは、逐次不確実性を減少させるプロセスとしてモデル化されており、新しいトレーニング手法を用いた深層学習ネットワークがこのプロセスから学習することを提案しています。提案された軌道生成手法を、2つの公共の軌道データセットにおける6つのベースラインと比較しました。その結果、生成された軌道運動と実際の軌道運動の間の類似性は、ジェンセン・シャノン発散によって両データセットで著しく改善されました。さらに、私たちは2つの基本的な軌道タスクでゼロショット推論を適用しました：軌道予測および軌道再構築です。2つのタスクで最大25.6％の精度改善が見られました。複数の軌道タスクを解決するのに適した普遍的な移動パターンが確認され、私たちのモデルの優れた一般化能力が示唆されています。最後に、この研究は、モデルが潜在空間における軌道を現実にマッピングする方法を探ることで、人工知能が人間の移動性を理解するための洞察を提供します。