人类移动问答(展望论文)
通过对人类活动的深入研究,结合大量的数字移动数据和人工智能的预测能力,运用深度学习模型,以以往的机械学习模型为基础,归纳整理的分类学,对多个任务(如下一位置预测、人流预测、轨迹和流预测)进行研究,是对人类移动的前沿研究。同时解决基础概念和现有挑战,方便深度学习科学家和实践者的理解。
Dec, 2020
我们提出了一个名为 HumanMotionQA 的任务来评估模型在长形式人体运动序列上的复杂多步推理能力,同时提出了一种名为 NSPose 的神经符号方法。该方法使用符号推理和模块化设计通过学习运动概念、属性神经算子和时间关系来地面运动。我们演示了 NSPose 在 HumanMotionQA 任务上的适用性,优于所有基线方法。
May, 2023
本研究提出了一种基于数字孪生的人类移动预测方法,将粗粒度预测与细粒度预测分为两个阶段,通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。该方法在日本关东地区的真实 GPS 数据集上测试获得了良好的预测准确度和时间效率。
Jun, 2022
本文调查了在深度学习时代发布的有影响力的问答数据集,并介绍了文本问答和视觉问答两个最常见的问答任务,涵盖了最具代表性的数据集,并提出了当前的一些 QA 研究挑战。
Jun, 2022
本文总结了基于因果推论对深度学习进行的可解释性和稳健性研究的最新进展,强调了交通运输领域深度学习基础的可解释性和稳健性问题,并提出发展因果学习模型应用于移动性分析的机遇。
Oct, 2022
人类移动行为与交通拥堵和流行病控制等重要社会问题密切相关。然而,收集移动数据可能代价高昂且存在严重的隐私问题,迫切需要高质量的生成性移动模型。本文提出了一种基于常识推理的移动生成方法,设计了一种新颖的 MobiGeaR 框架,通过少样本上下文学习和分解协调机制来有效地捕捉驱动移动行为的一致意图,并在提升生成的语义感知性和降低训练样本大小的同时取得了最新性能。
Feb, 2024
本文介绍了利用大型语言模型(LLM)进行人类移动性预测的潜力。通过引入 LLM-Mob 方法,该研究提出了历史停留和上下文停留的概念,以捕捉人类移动性中的长期和短期依赖,并通过使用预测目标的时间信息实现时间感知预测。全面的评估结果表明,LLM-Mob 在提供准确可解释预测方面表现出色,突显了 LLM 在推进人类移动性预测技术上的未开发潜力。
Aug, 2023
本文对 2016 至 2021 年所发表关于问答系统的各项研究进行了回顾与总结,发现多轮问答系统已取代了单轮问答系统的先前主导地位,这表明了其在提高人工智能对话系统方面的重要性,同时也描绘了开展更多进一步和有利的研究的未来研究方向。
Jun, 2021
本文提出一种基于语言生成的人类移动趋势预测方法 SHIFT,通过将输入移动趋势描述句子转化为未来的移动状态描述,提高了移动预测模型的有效性和准确性。
Dec, 2021