Team B4
●	無限の可能性を感じている
●	効率的なルートの予測ができそう、回遊など過去のデータから予測できるのであればサイネージなどで経路選択が変えられそう
●	利用者にアテンションを見せてあげたらどのように経路選択が変わるのか
●	オンデマンドモビリティシステムへの活用、浪江

Team M1
●	埋め込んでいるのが軌跡だけなので特徴量を入れる必要がある
●	倉澤さんのViRTはノードの特徴量を入れているが、リンクの特徴量を考慮しているモデルだと思うので商店街のデータなどいれるとよい
●	GATはミクロなスケールで歩行者間の相互作用を加味しながら軌跡を決定するが、倉澤さんのViRTでもGATを使うことで画像や動画など重いデータを使わずに人との相互作用を表現することで、沖縄の商店街内での経路もわかるのではないか

Team 大人
●	Ablation Studyが丁寧だったが、attentionを厳密な因果関係として解釈するには別のモデルが必要なのではないか
●	タクシーデータゆえの推定の容易性はあるのではないか、汎化性があるのか
○	day-to-dayデータなど長期的なコンテキストが入っているとTransformerの長所が出るのでは

Team International
●	リンクIDによるシーケンスを埋め込んでいるが、RoutesFormerはインプットのWi-Fi, Bluetoothなどの信号情報を埋め込んでいくべきでは

Team Mizutani
●	都市設計への応用
●	与件(満たすべき条件)があって残りをデザインするという流れ
●	間の補間部分がデザイナーがデザインする図面
●	与件を変えたときについても考慮することが重要では
○	link-to-pathを通らない経路が生成されるが、同様に与件も少し変えたような都市設計案が作れるのでは

大山：International
Wi-Fiとかのデータ融合をすることで抜けているデータの補完、マップマッチングができるのでは

増田：International
GPS生データを使用することで様々な特徴量・モデルを作れる

立川：B4

Kai：西尾
画像データから人々の相互関係

Winner：Team Mizutani

水谷：西尾
倉澤さんのViRTもデータを圧縮して入れているので相互作用は可能性を感じた
ブラックボックスな機械学習に解釈可能性

羽藤
勢いがよかった…”万能さに感服”、”損はない”
ワクワクする論文