MobilityGPT: Enhanced Human Mobility Modeling with a GPT model

要約

生成モデルは、人間の移動特性を捉え、合成軌道を生成する上で有望な結果を示している。しかし、生成された地理空間モビリティデータが、一貫性のある位置シーケンスを含む意味的に現実的であり、地理空間上の制限のような実世界の特性を反映していることを保証することは依然として困難である。このような問題に対処するため、GPT（Generative Pre-trained Transformer）を活用し、人間のモビリティモデリングを自己回帰的生成タスクとして再構成する。上記の課題を緩和するために、制御可能な生成を保証するために、地理空間を考慮した生成モデルMobilityGPTを提案する。我々は、意味的配列類似性のための変換器を訓練するために、重力に基づくサンプリング法を提案する。次に、軌跡生成におけるシーケンスの接続性を提供する道路接続性行列を介して訓練プロセスを制約し、それによって生成された軌跡を地理空間的な限界に保つ。最後に、軌道フィードバックからの強化学習（Reinforcement Learning from Trajectory Feedback：RLTF）を構築し、訓練と合成的に生成された軌道間の移動距離を最小化する。実世界のデータセットを用いた実験により、MobilityGPTは、出発地と目的地の類似性、移動距離、移動半径、リンク、重力分布の点で実データに最も近い高品質な移動軌跡を生成することにおいて、最先端の手法を凌駕することが実証された。

要約(オリジナル)

Generative models have shown promising results in capturing human mobility characteristics and generating synthetic trajectories. However, it remains challenging to ensure that the generated geospatial mobility data is semantically realistic, including consistent location sequences, and reflects real-world characteristics, such as constraining on geospatial limits. To address these issues, we reformat human mobility modeling as an autoregressive generation task, leveraging Generative Pre-trained Transformer (GPT). To ensure its controllable generation to alleviate the above challenges, we propose a geospatially-aware generative model, MobilityGPT. We propose a gravity-based sampling method to train a transformer for semantic sequence similarity. Then, we constrained the training process via a road connectivity matrix that provides the connectivity of sequences in trajectory generation, thereby keeping generated trajectories in geospatial limits. Lastly, we constructed a Reinforcement Learning from Trajectory Feedback (RLTF) to minimize the travel distance between training and the synthetically generated trajectories. Our experiments on real-world datasets demonstrate that MobilityGPT outperforms state-of-the-art methods in generating high-quality mobility trajectories that are closest to real data in terms of origin-destination similarity, trip length, travel radius, link, and gravity distributions.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL