論文の概要: RLOMM: An Efficient and Robust Online Map Matching Framework with Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2502.06825v1
- Date: Wed, 05 Feb 2025 11:26:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-12 14:06:11.218446
- Title: RLOMM: An Efficient and Robust Online Map Matching Framework with Reinforcement Learning
- Title(参考訳): RLOMM:強化学習による効率的でロバストなオンラインマップマッチングフレームワーク
- Authors: Minxiao Chen, Haitao Yuan, Nan Jiang, Zhihan Zheng, Sai Wu, Ao Zhou, Shangguang Wang,
- Abstract要約: 本稿では,多様なシナリオを扱う際の堅牢性を確保しつつ,高精度かつ効率的なマッチングを実現する新しいフレームワークを提案する。
まず,オンライン地図マッチング問題をオンラインマルコフ決定プロセスとしてモデル化することから始める。
次に、モデルのロバスト性を高めるために、リアルタイムデータのロバスト処理を可能にする強化学習法を設計する。
- 参考スコア(独自算出の注目度): 15.616652008152098
- License:
- Abstract: Online map matching is a fundamental problem in location-based services, aiming to incrementally match trajectory data step-by-step onto a road network. However, existing methods fail to meet the needs for efficiency, robustness, and accuracy required by large-scale online applications, making this task still a challenging problem. This paper introduces a novel framework that achieves high accuracy and efficient matching while ensuring robustness in handling diverse scenarios. To improve efficiency, we begin by modeling the online map matching problem as an Online Markov Decision Process (OMDP) based on its inherent characteristics. This approach helps efficiently merge historical and real-time data, reducing unnecessary calculations. Next, to enhance the model's robustness, we design a reinforcement learning method, enabling robust handling of real-time data from dynamically changing environments. In particular, we propose a novel model learning process and a comprehensive reward function, allowing the model to make reasonable current matches from a future-oriented perspective, and to continuously update and optimize during the decision-making process based on feedback. Lastly, to address the heterogeneity between trajectories and roads, we design distinct graph structures, facilitating efficient representation learning through graph and recurrent neural networks. To further align trajectory and road data, we introduce contrastive learning to decrease their distance in the latent space, thereby promoting effective integration of the two. Extensive evaluations on three real-world datasets confirm that our method significantly outperforms existing state-of-the-art solutions in terms of accuracy, efficiency and robustness.
- Abstract(参考訳): オンラインマップマッチングは位置情報ベースのサービスの基本的な問題であり、道路ネットワーク上の軌道データを段階的にマッチングすることを目的としている。
しかし、既存の手法は、大規模なオンラインアプリケーションに必要な効率性、堅牢性、正確性のニーズを満たすことができず、このタスクは依然として難しい問題である。
本稿では,多様なシナリオを扱う際の堅牢性を確保しつつ,高精度かつ効率的なマッチングを実現する新しいフレームワークを提案する。
本研究は,オンライン地図マッチング問題をオンラインマルコフ決定プロセス(OMDP)として,その特性に基づいてモデル化することから始める。
このアプローチは、過去のデータとリアルタイムデータを効率的にマージし、不要な計算を減らすのに役立つ。
次に、モデルの堅牢性を高めるために、動的に変化する環境からリアルタイムデータのロバスト処理を可能にする強化学習法を設計する。
特に,新しいモデル学習プロセスと包括的報酬関数を提案し,モデルが将来的な視点から妥当な現在のマッチングを行えるようにし,フィードバックに基づいて意思決定プロセス中に継続的に更新と最適化を行う。
最後に、軌跡と道路の間の不均一性に対処するため、グラフとリカレントニューラルネットワークによる効率的な表現学習を容易にし、異なるグラフ構造を設計する。
さらに軌道データと道路データの整合性を高めるために, 相対学習を導入し, 潜伏空間における距離を減少させ, 効果的な統合を促進する。
実世界の3つのデータセットの大規模な評価により、我々の手法は、精度、効率、堅牢性の観点から既存の最先端のソリューションを著しく上回っていることが確認された。
関連論文リスト
- Online-BLS: An Accurate and Efficient Online Broad Learning System for Data Stream Classification [52.251569042852815]
オンライン更新毎にクローズドフォームソリューションを備えたオンライン広範学習システムフレームワークを導入する。
我々は,効果的な重み推定アルゴリズムと効率的なオンライン更新戦略を設計する。
我々のフレームワークは、コンセプトドリフトを伴うデータストリームシナリオに自然に拡張され、最先端のベースラインを超えます。
論文 参考訳(メタデータ) (2025-01-28T13:21:59Z) - RLER-TTE: An Efficient and Effective Framework for En Route Travel Time Estimation with Reinforcement Learning [5.4674463400564886]
En Route Travel Time Estimationは、走行経路から運転パターンを学習し、迅速かつ正確なリアルタイム予測を実現することを目的としている。
既存の手法は、実世界の交通システムの複雑さとダイナミズムを無視し、結果としてリアルタイムシナリオにおける効率と正確性に大きなギャップが生じる。
本稿では,ER-TTEの経路実装を再定義し,高効率かつ効率的な予測を行う新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2025-01-26T11:49:34Z) - A Scalable Approach to Covariate and Concept Drift Management via Adaptive Data Segmentation [0.562479170374811]
多くの現実世界のアプリケーションでは、継続的機械学習(ML)システムは不可欠だが、データドリフトが困難である。
伝統的なドリフト適応法は典型的にはアンサンブル技術を用いてモデルを更新し、しばしばドリフトされた歴史データを破棄する。
ドリフトしたデータをモデルトレーニングプロセスに明示的に組み込むことは、モデルの精度と堅牢性を大幅に向上させる、と我々は主張する。
論文 参考訳(メタデータ) (2024-11-23T17:35:23Z) - Online Parallel Multi-Task Relationship Learning via Alternating Direction Method of Multipliers [37.859185005986056]
オンラインマルチタスク学習(OMTL)は、複数のタスク間の固有の関係を活用することで、ストリーミングデータ処理を強化する。
本研究では、分散コンピューティング環境に適した最近の最適化である交互方向乗算器法(ADMM)に基づく新しいOMTLフレームワークを提案する。
論文 参考訳(メタデータ) (2024-11-09T10:20:13Z) - MOTO: Offline Pre-training to Online Fine-tuning for Model-based Robot
Learning [52.101643259906915]
本研究では,高次元観測による強化学習におけるオフライン事前学習とオンラインファインチューニングの問題について検討する。
既存のモデルベースオフラインRL法は高次元領域におけるオフラインからオンラインへの微調整には適していない。
本稿では,事前データをモデルベース値拡張とポリシー正則化によって効率的に再利用できるオンラインモデルベース手法を提案する。
論文 参考訳(メタデータ) (2024-01-06T21:04:31Z) - A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。
DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。
その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
論文 参考訳(メタデータ) (2021-06-08T16:27:04Z) - Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。
ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文 参考訳(メタデータ) (2021-03-18T08:47:56Z) - Tracking Performance of Online Stochastic Learners [57.14673504239551]
オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。
一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。
定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
論文 参考訳(メタデータ) (2020-04-04T14:16:27Z) - Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。
我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。
集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文 参考訳(メタデータ) (2020-02-20T15:00:54Z)
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。