都市を対象とした大規模移動履歴に基づく疑似人流データ生成手法

• Item type: Journal(1)
• 公開日: 2023-01-15
• タイトル: 都市を対象とした大規模移動履歴に基づく疑似人流データ生成手法
• タイトル / 言語: en
• タイトル: Synthetic Human Flow Generation Based on Large-scale Movement History for Urban Areas
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [特集:新社会とスマートコミュニティ創成に向けたモバイルコンピューティングと高度交通システム（推薦論文）] 人流モデリング，アーバンコンピューティング，シミュレーション
• 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: 10.20729/00223417
• 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: 国立情報学研究所
• 著者所属: 名古屋大学大学院工学研究科
• 著者所属: 名古屋大学未来社会創造機構／名古屋大学大学院工学研究科
• 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): National Institute of Informatics
• 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): Institutes of Innovation for Future Society, Nagoya University / Graduate School of Engineering, Nagoya University
• 著者名: 田村, 直樹; 浦野, 健太; 青木, 俊介; 米澤, 拓郎; 河口, 信夫
• 著者名(英): Naoki, Tamura; Kenta, Urano; Shunsuke, Aoki; Takuro, Yonezawa; Nobuo, Kawaguchi
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 都市計画や研究に用いるために，交通シミュレーションや感染シミュレーションの需要が高まっている．一方，スマートフォンの普及により，高精度で大量のユーザの移動履歴収集が可能になり，このデータのシミュレーションへの活用が期待されている．しかし，いまだに都市の全人口分の移動軌跡を再現できる詳細な移動履歴の収集は困難である．同時にこのような個人の移動履歴は住所や職場などの個人情報を含むため，現実のデータのそのままの活用には制約がある．そこで，合成的な移動軌跡を生成する手法がさかんに研究されているが，「大量の教師データが必要」，「移動軌跡が取れる詳細な移動履歴が必要」といった課題があった．本手法では現実の移動履歴データを用いて，教師なし手法によりユーザの移動・滞在傾向をモデル化し，都市レベルの疑似的な人流データを生成する．本手法のポイントは，教師なし学習を用いたモデリングによって，移動履歴データに特別なラベル付けを必要としない点，また収集頻度の高いGPSデータのみを用いる点である．これに加えて，生成データに実際のユーザの移動軌跡は含まれず，すべての移動軌跡は確率的に生成されるため，現実のユーザの個人情報が含有されにくく，現実のデータに付随するプライバシ上の課題の解決が期待できる．また評価実験を行ったところ，本手法は従来手法よりも空間的に高い粒度の生成データで都市の人流を近似できることが確認できた．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: There is a growing demand for traffic and infection simulations for use in urban planning and research. On the other hand, the widespread use of wearable devices has made it possible to collect a large amount of user location history with high accuracy, and it is expected that this data will be used for simulation. However, it is difficult to collect location histories for the entire population of a city, and detailed data that can reproduce trajectories is expensive. In addition, such personal location histories contain private information such as addresses and workplaces, which restricts the use of raw data. Therefore, methods to generate synthetic movement trajectories have been actively studied, but they require a large amount of teacher data and a detailed movement history from which movement trajectories can be obtained. Using real-world movement history data, this method models users' movement and stay tendencies with unsupervised learning, and generates synthetic human flow data at the city level. The key points of this method are that it uses unsupervised learning for modeling, does not require special labeling of the movement history data, and uses only frequently collected GPS data. Using this method, we generate synthetic human flow data without private information. Evaluation experiments confirmed that this method can approximate urban human flows with spatially more granular generated data than conventional methods.
• 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 64, 号 1, p. 123-133, 発行日 2023-01-15
• 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