NSP-BERT：滞在時間を考慮に入れた効率的なNext Stay予測手法

• Item type: Symposium(1)
• 公開日: 2024-06-19
• タイトル: NSP-BERT：滞在時間を考慮に入れた効率的なNext Stay予測手法
• タイトル / 言語: en
• タイトル: NSP-BERT: An Efficient Method for Next Stay Prediction Considering Duration Time
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_5794
• 資源タイプ: conference paper
• 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
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: スマートフォンの普及に伴い，大規模な位置情報データの収集が容易となり，位置情報データを用いた研究が盛んに行われるようになった．大規模な位置情報データを用いて人間の移動傾向の分析・理解をし，その結果を都市計画，交通計画，災害対策等に活用する取り組みが行われている．滞在履歴から滞在の周期性，高頻度で滞在する場所等を見つけ，滞在傾向の特徴を捉えると，ユーザ毎に将来の滞在エリアとそのエリアでの滞在時間が予測でき，各エリアでのマーケティング戦略等に活用できる．週単位や月単位といった様々な滞在の周期性が混在する滞在履歴から，滞在傾向の特徴を詳細に捉えるためには深層学習モデルが有効であると考える．しかし，RNNやLSTMは滞在履歴の長期の依存関係の考慮を不得意とし，逐次的な予測手法で多くの時間を要する．そこで，滞在履歴の長期の依存関係を考慮し，かつ効率的に将来の滞在を予測するためにNSP-BERT(Next Stay Prediction BERT)を提案する，NSP-BERTはTransformerのAttention機構により滞在履歴の長期の依存関係を考慮でき，逐次的な予測を行わずEncoderから出力されるベクトルとFC Layerで滞在エリアと滞在時間の予測を行うため効率性が高い．また，同じエリアでの連続する滞在を滞在時間としてまとめて予測し，従来の時間刻みの予測で必要であった計算コストを削減した．実世界の位置情報データを用いてNSP-BERTとLSTMの滞在予測精度および効率性を比較した．滞在エリア一致率，滞在時間の一致率，GEOBLEU，DTWのスコア全てにおいてNSP-BERTがLSTMを上回り，かつ学習時間も少なかったことからNSP-BERTの予測性能および効率における優位性を示した．
• 書誌情報: マルチメディア，分散，協調とモバイルシンポジウム2024論文集; 巻 2024, p. 1531-1537, 発行日 2024-06-19
• 出版者 / 言語: ja
• 出版者: 情報処理学会