Fugu-MT 論文翻訳(概要): Enhanced Route Planning with Calibrated Uncertainty Set

論文の概要: Enhanced Route Planning with Calibrated Uncertainty Set

arxiv url: http://arxiv.org/abs/2503.10088v1
Date: Thu, 13 Mar 2025 06:31:42 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-14 15:54:50.672148
Title: Enhanced Route Planning with Calibrated Uncertainty Set
Title（参考訳）: 校正不確実性を考慮した経路計画の高度化
Authors: Lingxuan Tang, Rui Luo, Zhixin Zhou, Nicolo Colombo,
Abstract要約: 本稿では,CQR-GAE(Conformalized Quantile Regression for Graph Autoencoders)を提案する。実世界の交通シナリオにCQR-GAEモデルを適用することで,提案手法の有効性を実証する。
参考スコア（独自算出の注目度）: 7.7856491832713415
License:
Abstract: This paper investigates the application of probabilistic prediction methodologies in route planning within a road network context. Specifically, we introduce the Conformalized Quantile Regression for Graph Autoencoders (CQR-GAE), which leverages the conformal prediction technique to offer a coverage guarantee, thus improving the reliability and robustness of our predictions. By incorporating uncertainty sets derived from CQR-GAE, we substantially improve the decision-making process in route planning under a robust optimization framework. We demonstrate the effectiveness of our approach by applying the CQR-GAE model to a real-world traffic scenario. The results indicate that our model significantly outperforms baseline methods, offering a promising avenue for advancing intelligent transportation systems.
Abstract（参考訳）: 本稿では,道路網における経路計画における確率論的予測手法の適用について検討する。具体的には,CQR-GAE(Conformalized Quantile Regression for Graph Autoencoders)を提案する。 CQR-GAEから派生した不確実性集合を組み込むことで、ロバストな最適化枠組みの下で経路計画における決定過程を大幅に改善する。実世界の交通シナリオにCQR-GAEモデルを適用することで,提案手法の有効性を実証する。その結果,本モデルがベースライン法を著しく上回り,知的輸送システムの進歩に期待できる道筋が得られた。

関連論文リスト

Selecting Critical Scenarios of DER Adoption in Distribution Grids Using Bayesian Optimization [0.0]
我々は、分散グリッドにおいて最も重要なDER導入シナリオを選択するための新しい手法を開発した。本稿では,多目的ベイズ最適化に基づく高効率検索フレームワークを提案する。 200-400バスによる現実的な給餌器のケーススタディは,我々のアプローチの有効性と精度を実証している。
論文参考訳（メタデータ） (2025-01-23T22:20:30Z)
An End-to-End Smart Predict-then-Optimize Framework for Vehicle Relocation Problems in Large-Scale Vehicle Crowd Sensing [10.74565749809106]
車両システムは、旅行要求やルートの性質により、しばしば偏りのあるカバレッジを示す。我々は最適化を予測に統合することで、エンドツーエンドのSmart Predict-then-optize (SPO) フレームワークを開発する。このフレームワークは上流の予測エラーではなく、タスク固有のマッチングによって訓練される。
論文参考訳（メタデータ） (2024-11-27T15:16:22Z)
Certified Human Trajectory Prediction [66.1736456453465]
交通予知は自動運転車に不可欠な役割を担っている。本稿では,軌道予測作業に適した認証手法を提案する。非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
論文参考訳（メタデータ） (2024-03-20T17:41:35Z)
End-to-end Conditional Robust Optimization [6.363653898208231]
条件付きロバスト最適化(CRO)は、不確実な定量化と堅牢な最適化を組み合わせることで、高利得アプリケーションの安全性と信頼性を促進する。本稿では,CROモデルの学習方法として,所定の決定の実証的リスクと,それをサポートする文脈不確実性セットの条件付きカバレッジの質の両方を考慮に入れた,新しいエンドツーエンドアプローチを提案する。提案したトレーニングアルゴリズムは,従来の推定値を上回って,アプローチを最適化する決定を生成する。
論文参考訳（メタデータ） (2024-03-07T17:16:59Z)
Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles [82.65261980827594]
本研究では、学習したガウス過程を利用して人間の運転行動を予測する自動運転車のモデル予測制御手法を提案する。マルチモード予測制御アプローチは、人間のドライバーの意図を考察する。
論文参考訳（メタデータ） (2023-03-08T17:14:57Z)
When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
論文参考訳（メタデータ） (2023-02-15T04:14:20Z)
Deep-Ensemble-Based Uncertainty Quantification in Spatiotemporal Graph Neural Networks for Traffic Forecasting [2.088376060651494]
本稿では,短期交通予測のための最先端手法である拡散畳み込みリカレントニューラルネットワーク(DCRNN)に注目した。我々はDCRNNの不確実性を定量化するスケーラブルなディープアンサンブル手法を開発した。我々の汎用的かつスケーラブルなアプローチは、現在最先端のベイズ的手法や、多くの一般的な頻繁な手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-04-04T16:10:55Z)
The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。本稿では,構造的事前を損失関数として組み込むことを提案する。実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文参考訳（メタデータ） (2020-06-04T03:56:11Z)
Target-Embedding Autoencoders for Supervised Representation Learning [111.07204912245841]
本稿では,対象空間が高次元な純粋教師付き環境における一般化の枠組みを解析する。我々は、教師付き予測のための目標埋め込みオートエンコーダ(TEA)の一般的なフレームワークのモチベーションと形式化を行い、特徴とターゲットの予測の両方から予測可能なように最適化された中間潜在表現を学習する。
論文参考訳（メタデータ） (2020-01-23T02:37:10Z)

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。