NSP-BERT：滞在履歴の長期的依存関係を考慮した効率的な滞在予測手法

• Item type: Journal(1)
• 公開日: 2026-03-15
• タイトル / 言語: ja
• タイトル: NSP-BERT：滞在履歴の長期的依存関係を考慮した効率的な滞在予測手法
• タイトル / 言語: en
• タイトル: NSP-BERT: An Efficient Next Stay Prediction Method Considering Long-term Dependencies in Stay History
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [特集：若手研究者（推薦論文）] 滞在予測，都市人流データ，アーバンコンピューティング，BERT，機械学習
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• ID登録: 10.20729/0002008665
• ID登録 / ID登録タイプ: JaLC
• 著者所属: 名古屋大学大学院工学研究科
• 著者所属: 名古屋大学大学院工学研究科
• 著者所属: 名古屋大学大学院工学研究科
• 著者所属: 名古屋大学大学院工学研究科
• 著者所属: 名古屋大学大学院工学研究科
• 著者所属: 名古屋大学大学院工学研究科
• 著者所属: 名古屋大学大学院工学研究科／名古屋大学未来社会創造機構
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, Nagoya University
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, Nagoya University
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, Nagoya University
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, Nagoya University
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, Nagoya University
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, Nagoya University
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, Nagoya University / Institutes of Innovation for Future Society, Nagoya University
• 著者名: 寺島,青; 田村,直樹; 庄子,和之; 片山,晋; 浦野,健太; 米澤,拓郎; 河口,信夫
• 著者名(英): Haru Terashima; Naoki Tamura; Kazuyuki Shoji; Shin Katayama; Kenta Urano; Takuro Yonezawa; Nobuo Kawaguchi
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 都市における人々の将来の滞在場所の予測は，シェアモビリティの配置計画，イベント時の混雑緩和，マーケティング戦略など，様々な都市課題の解決において重要な役割を果たす．人々の滞在履歴には，曜日や時間帯ごとに特定の場所への周期的な滞在傾向があり，これらは将来の滞在先を予測するうえで有用な手がかりとなる．こうした滞在傾向をより詳細にとらえるためには，滞在履歴における長期的な依存関係を考慮した特徴抽出が有効であり，さらに最新の滞在傾向を予測に反映させるためには，日々蓄積される滞在履歴の活用が必要である．そこで，滞在履歴の長期的な依存関係を考慮しつつ，最新の傾向を活用するために，効率的な学習および予測が可能な手法の構築が求められる．本研究では，これらの課題を解決する滞在予測モデルNSP-BERT（Next Stay Prediction BERT）を提案する．NSP-BERTは，TransformerにおけるAttention機構により滞在履歴の長期的な依存関係を考慮しつつ，逐次的な処理を必要としない効率的な予測を実現する．また，滞在単位（滞在エリア+滞在時間）でデータを扱うことにより，従来の時間刻みで滞在エリアを予測する手法と比較してデータ長を削減でき，さらなる効率化が実現可能となる．実世界の人流データセットを用いた実験により，NSP-BERTと他の深層学習モデル間で予測精度および効率性を比較し，滞在予測タスクにおけるNSP-BERTの優位性を実証した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Predicting future human mobility in urban environments is crucial for tackling a range of urban challenges, such as planning shared-mobility deployments, managing event-related congestion, and designing effective marketing strategies. Historical human stay records exhibit strong periodic patterns across days of the week and times of day, and these recurring visits to specific locations provide valuable insights for predicting future stays. Capturing these patterns in greater detail enables the model to learn features that reflect long-term dependencies in stay records. Moreover, incorporating the most recent stay behavior―summarized by daily aggregates of stay records―is essential for accurate prediction. Therefore, it is imperative to develop an efficient learning and prediction framework that accounts for long-term dependencies while leveraging up-to-date trends. To address these challenges, we propose NSP-BERT (Next Stay Prediction BERT), a model for future stay prediction. NSP-BERT leverages the Transformer's attention mechanism to capture long-term dependencies in stay records, enabling efficient prediction without sequential processing. In addition, we represent mobility data at the level of stay units which shortens the input sequence relative to conventional time-step-based stay-area prediction and further improves computational efficiency. Experiments on real-world human mobility datasets demonstrate that NSP-BERT achieves superior prediction accuracy and efficiency compared with existing deep learning baselines for stay prediction.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 67, 号 3, p. 558-570, 発行日 2026-03-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764
• 公開者 / 言語: ja
• 公開者 / 出版者: 情報処理学会