複雑な day-to-day 活動動態学習に基づく首都圏アクティビティ生成モデル

抄録

本研究では自己回帰言語生成モデルを基盤とした day-to-day 活動経路生成モデルを提案する．本モデルでは Vanilla Transformer の encoder-decoder 構造の代わりに decoder only の構造を採用し，過去トークン列に基づきトークンを自己回帰的に順次生成することで可変長な活動系列の柔軟な表現を可能にする．個人属性や前日の行動履歴といったコンテキスト情報はシーケンス先頭に付加することで条件付き生成を実現し，アーキテクチャの単純さを損なうことなく条件付けを行う．Encoder-decoder モデルに比べモデル規模と学習パラメータを大幅に削減しつつ，day-to-day な人間行動の多様性と連続性を効果的に学習可能である．東京都市圏を対象としたパネルデータを用いたケーススタディでは 1 週間分のデータを用いて学習・推論を行い，生成結果が元分布の特徴を十分に再現することを確認した．