Modello generativo Transformer sintetizza i modelli di mobilità umana
Un nuovo modello generativo per sintetizzare i modelli di mobilità umana è stato proposto in un articolo su arXiv (2405.17468). Il modello, un'architettura basata su Transformer, affronta i limiti degli approcci esistenti basati su deep learning e attività, incorporando attributi socio-demografici e familiari per generare catene di attività giornaliere e traiettorie complete. È addestrato su dati di indagini sui viaggi delle famiglie open-source e ottimizzato con dati locali, dimostrando trasferibilità a California, Washington e Messico. La ricerca mira a migliorare le applicazioni di trasporto, pianificazione urbana e salute pubblica fornendo un'alternativa economica e adattabile ai modelli tradizionali.
Fatti principali
- Il modello è un Transformer generativo che sintetizza catene di attività giornaliere.
- Utilizza attributi socio-demografici e familiari come input.
- Un modulo di localizzazione assegna zone spaziali per produrre traiettorie giornaliere complete.
- Addestrato su dati di indagini sui viaggi delle famiglie open-source.
- Ottimizzato con dati locali per l'adattamento regionale.
- Cattura i modelli di attività nazionali.
- Si trasferisce efficacemente a California, Washington e Messico.
- Affronta i limiti dei modelli esistenti basati su deep learning e attività.
Entità
Istituzioni
- arXiv
Luoghi
- California
- Washington
- Mexico