文献

J-GLOBAL ID：202402279748267835   整理番号：24A2639159

時系列滞在頻度傾向と移動傾向を組み合わせた移動先予測手法

Next Location Prediction Method Combining Time-Series Stay Frequency Tendency and Movement Tendency

著者 (10件)： 寺島青 (名古屋大 大学院工学研究科) ,  高木峻 (名古屋大 大学院工学研究科) ,  田村直樹 (名古屋大 大学院工学研究科) ,  庄子和之 (名古屋大 大学院工学研究科) ,  HOSSAIN Tahera (名古屋大 大学院工学研究科) ,  片山晋 (名古屋大 大学院工学研究科) ,  浦野健太 (名古屋大 大学院工学研究科) ,  米澤拓郎 (名古屋大 大学院工学研究科) ,  河口信夫 (名古屋大 大学院工学研究科) ,  河口信夫 (名古屋大 未来社会創造機構)
資料名： 情報処理学会研究報告(Web)  (IPSJ Technical Report (Web))
巻： 2024  号： HCI-210  ページ： Vol.2024-HCI-210,No.21,1-8 (WEB ONLY)  発行年： 2024年11月11日 
JST資料番号： U0451A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： モバイル端末の普及に伴い,都市における大規模な位置情報データの収集が容易となり,位置情報データに基づく移動履歴を活用した研究が盛んに行われている.移動履歴から捉えられる移動傾向は,ユーザの将来の移動を予測する手掛かりとなり,予測結果はマーケティング戦略等での活用が期待できる.移動予測の分野においては,都市における大規模なユーザの移動履歴を用いて深層学習モデルを訓練し,予測を行う研究が多くなされている.しかし,ユーザが多い大規模な都市では学習可能な移動履歴が豊富にある一方で,ユーザが少ない小規模な都市では不十分で,予測精度が低くなる懸念がある.また,異なる都市間で移動履歴の共有を試みた場合,都市空間の構造が異なるため,移動履歴中の滞在エリア同士の対応付けが必要となる.そこで本研究では,異なる都市間で共通する時系列滞在頻度傾向と,各都市で固有の移動傾向を組み合わせた移動先予測手法を提案する.時系列滞在頻度とは,ユーザの移動履歴中の各滞在場所に,時間帯毎の滞在頻度を与えたもので,都市の機能的な特徴を用いずに異なる都市間で共通に扱える特徴量である.これにより,異なる都市のユーザの移動履歴を同様に扱うことが可能になる.評価実験では,都市間で共通する時系列滞在頻度傾向を学習させたモデル(SFT-BERT)および各都市で固有の移動傾向を学習させたモデル(CMT-BERT)をエンコーダとして用い,下流モデルにより移動予測を行った.その結果,単一の都市の移動履歴のみで学習および予測を行った場合に対する優位性を示した.(著者抄録)

シソーラス用語： *位置 ,  *予測技法 ,  *情報サービス ,  滞留時間 ,  深層学習 ,  言語モデル ,  自然言語処理 ,  相乗り輸送 ,  市場戦略 ,  移動 ,  時系列分析 ,  経営戦略
準シソーラス用語： BERT ,  マーケティング戦略 ,  ライドシェア ,  *位置情報サービス ,  滞在時間 ,  *目的地 ,  *予測手法

分類 (4件)： 道路輸送・サービス一般  (TB01010O) ,  人工知能  (JE08000Z) ,  自然語処理  (JE06000L) ,  確率論  (AB09000O)

タイトルに関連する用語 (5件)： 時系列 ,  頻度 ,  傾向 ,  移動先 ,  予測手法