論文の概要: Online Location Planning for AI-Defined Vehicles: Optimizing Joint Tasks of Order Serving and Spatio-Temporal Heterogeneous Model Fine-Tuning

• arxiv url: http://arxiv.org/abs/2502.04399v1
• Date: Thu, 06 Feb 2025 07:23:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:57:22.733503
• Title: Online Location Planning for AI-Defined Vehicles: Optimizing Joint Tasks of Order Serving and Spatio-Temporal Heterogeneous Model Fine-Tuning
• Title（参考訳）: AI-Defined Vehiclesのオンラインロケーションプランニング:秩序達成と時空間不均質モデルファインチューニングの共同作業の最適化
• Authors: Bokeng Zheng, Bo Rao, Tianxiang Zhu, Chee Wei Tan, Jingpu Duan, Zhi Zhou, Xu Chen, Xiaoxi Zhang,
• Abstract要約: 車両群集センシング(VCS)は、車両の移動性とセンサーを装備した能力を活用する重要なイネーブラーとして登場した。 この研究は、エッジアシスト車両が注文サービスと基礎モデルの微調整のジョイントタスクを行う、有望なシナリオを探求する。
• 参考スコア（独自算出の注目度）: 12.784479119173223
• License:
• Abstract: Advances in artificial intelligence (AI) including foundation models (FMs), are increasingly transforming human society, with smart city driving the evolution of urban living.Meanwhile, vehicle crowdsensing (VCS) has emerged as a key enabler, leveraging vehicles' mobility and sensor-equipped capabilities. In particular, ride-hailing vehicles can effectively facilitate flexible data collection and contribute towards urban intelligence, despite resource limitations. Therefore, this work explores a promising scenario, where edge-assisted vehicles perform joint tasks of order serving and the emerging foundation model fine-tuning using various urban data. However, integrating the VCS AI task with the conventional order serving task is challenging, due to their inconsistent spatio-temporal characteristics: (i) The distributions of ride orders and data point-of-interests (PoIs) may not coincide in geography, both following a priori unknown patterns; (ii) they have distinct forms of temporal effects, i.e., prolonged waiting makes orders become instantly invalid while data with increased staleness gradually reduces its utility for model fine-tuning.To overcome these obstacles, we propose an online framework based on multi-agent reinforcement learning (MARL) with careful augmentation. A new quality-of-service (QoS) metric is designed to characterize and balance the utility of the two joint tasks, under the effects of varying data volumes and staleness. We also integrate graph neural networks (GNNs) with MARL to enhance state representations, capturing graph-structured, time-varying dependencies among vehicles and across locations. Extensive experiments on our testbed simulator, utilizing various real-world foundation model fine-tuning tasks and the New York City Taxi ride order dataset, demonstrate the advantage of our proposed method.
• Abstract（参考訳）: ファウンデーションモデル(FM)を含む人工知能(AI)の進歩は、都市生活の進化を駆動するスマートシティによって、人間の社会に変化をもたらしつつある。 特に、ライドシェアリング車両は、リソースの制限にもかかわらず、柔軟なデータ収集を効果的に促進し、都市知性に貢献することができる。 そこで本研究では, エッジ支援車両が注文サービスの共同作業を行い, 様々な都市データを用いたファウンデーションモデルによる微調整を行う, 有望なシナリオを探求する。 しかし、VCSのAIタスクを従来の順序付きサービスタスクと統合することは、不整合時空間特性のため困難である。 一 配車命令及びデータポイント(PoIs)の分布は、地理的に一致せず、かつ、両者が先行する未知のパターンに従つてはならない。 (II) 時間的効果の異なる形態,すなわち長期待ちが命令を即時無効にする一方で,データの安定性が向上したデータにより,モデル微調整の有用性が徐々に低下し,これらの障害を克服するために,注意深い拡張を伴うマルチエージェント強化学習(MARL)に基づくオンラインフレームワークを提案する。 新しいQuality-of-Service(QoS)メトリックは、データボリュームと安定化の影響を受けながら、2つのジョイントタスクの有用性を特徴付け、バランスをとるように設計されている。 また、グラフニューラルネットワーク(GNN)とMARLを統合して、状態表現を強化し、グラフ構造化され、車両間の時間的依存をキャプチャします。 実世界のファウンデーションモデルによる微調整作業とニューヨーク市のタクシー配車注文データセットを用いて,テストベッドシミュレータの大規模実験を行い,提案手法の利点を実証した。

関連論文リスト

• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Self-Supervised State Space Model for Real-Time Traffic Accident Prediction Using eKAN Networks [18.385759762991896]
  SSL-eKambaは、交通事故予測のための効率的な自己組織化フレームワークである。 一般化を促進するために,交通パターン表現を適応的に改善する2つの自己教師付き補助タスクを設計する。 2つの実世界のデータセットの実験では、SSL-eKambaは最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2024-09-09T14:25:51Z)
• Siamese Multiple Attention Temporal Convolution Networks for Human Mobility Signature Identification [9.25278235266564]
  我々は,TNアーキテクチャとマルチヘッド自己注意の両長所を活かすため,シームズ多重注意時間畳み込みネットワーク(シームズMA-TCN)を提案する。 2つの実世界のタクシー軌道データを用いて実験を行った結果,提案手法は局所的な鍵情報と長期的依存関係の両方を効果的に抽出することがわかった。
  論文  参考訳（メタデータ） (2024-08-17T15:27:38Z)
• SMA-Hyper: Spatiotemporal Multi-View Fusion Hypergraph Learning for Traffic Accident Prediction [2.807532512532818]
  現在のデータ駆動モデルは、しばしばデータ空間と多様な都市データソースの統合に苦しむ。 本稿では,交通事故予測のための動的学習フレームワークを提案する。 これは、高次のクロスリージョン学習を可能にするデュアル適応グラフ学習機構を組み込んでいる。 また、事故データと都市機能の複数のビューを融合させる事前注意機構も採用している。
  論文  参考訳（メタデータ） (2024-07-24T21:10:34Z)
• Digital Twin Mobility Profiling: A Spatio-Temporal Graph Learning Approach [9.56255685195115]
  モビリティ・プロファイリングは、モビリティ・データから都市交通の潜在的なパターンを抽出することができる。 デジタルツイン(DT)技術は、コスト効率とパフォーマンス最適化管理の道を開く。 本稿では,移動時ネットワークDTモデルを用いてノードプロファイルを学習するためのデジタルツインモビリティ・プロファイリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-06T06:37:43Z)
• Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and Opportunities [59.02391344178202]
  ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。 総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。 本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
  論文  参考訳（メタデータ） (2024-01-16T01:57:24Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Multi-Agent Deep Reinforcement Learning for Dynamic Avatar Migration in AIoT-enabled Vehicular Metaverses with Trajectory Prediction [70.9337170201739]
  本稿では,その歴史データに基づいて,知的車両の将来の軌跡を予測するモデルを提案する。 提案アルゴリズムは,予測なしでアバタータスクの実行遅延を約25%削減できることを示す。
  論文  参考訳（メタデータ） (2023-06-26T13:27:11Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• Value Function is All You Need: A Unified Learning Framework for Ride Hailing Platforms [57.21078336887961]
  DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。 両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
  論文  参考訳（メタデータ） (2021-05-18T19:22:24Z)
• AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
  AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。 本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
  論文  参考訳（メタデータ） (2021-01-03T15:45:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。