論文の概要: Flow-Through Tensors: A Unified Computational Graph Architecture for Multi-Layer Transportation Network Optimization
- arxiv url: http://arxiv.org/abs/2507.02961v1
- Date: Mon, 30 Jun 2025 06:42:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:34.475165
- Title: Flow-Through Tensors: A Unified Computational Graph Architecture for Multi-Layer Transportation Network Optimization
- Title（参考訳）: Flow-Through Tensors:マルチ層輸送ネットワーク最適化のための統一的な計算グラフアーキテクチャ
- Authors: Xuesong, Zhou, Taehooie Kim, Mostafa Ameli, Henan, Zhu, Yu- dai Honma, Ram M. Pendyala,
- Abstract要約: Flow Throughs (FTT) は、原点のフロー、経路、確率、およびリンク移動時間を相互接続テンソルとして接続する統一的な計算グラフアーキテクチャである。
まず、以前に分離されたモデリング要素間で勾配に基づく最適化を可能にする一貫した数学的構造を確立する。
第2に、システム効率の正確な定量化により、時間、空間、ユーザグループのトラフィックパターンの多次元解析をサポートする。
- 参考スコア（独自算出の注目度）: 20.685856719515026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern transportation network modeling increasingly involves the integration of diverse methodologies including sensor-based forecasting, reinforcement learning, classical flow optimization, and demand modeling that have traditionally been developed in isolation. This paper introduces Flow Through Tensors (FTT), a unified computational graph architecture that connects origin destination flows, path probabilities, and link travel times as interconnected tensors. Our framework makes three key contributions: first, it establishes a consistent mathematical structure that enables gradient-based optimization across previously separate modeling elements; second, it supports multidimensional analysis of traffic patterns over time, space, and user groups with precise quantification of system efficiency; third, it implements tensor decomposition techniques that maintain computational tractability for large scale applications. These innovations collectively enable real time control strategies, efficient coordination between multiple transportation modes and operators, and rigorous enforcement of physical network constraints. The FTT framework bridges the gap between theoretical transportation models and practical deployment needs, providing a foundation for next generation integrated mobility systems.
- Abstract（参考訳）: 現代の輸送ネットワークモデリングは、センサベースの予測、強化学習、古典的なフロー最適化、伝統的に独立して開発された需要モデリングなど、様々な方法論の統合をますます含んでいる。
本稿では,フロースルーテンソル(FTT, Flow Through Tensors)について紹介する。
第1に,時間,空間,ユーザグループ間のトラフィックパターンの多次元的解析をシステム効率の正確な定量化でサポートし,第3に,大規模アプリケーションにおける計算トラヒック性を維持するテンソル分解技術を実装した。
これらの革新により、リアルタイム制御戦略、複数の輸送モードとオペレーター間の効率的な協調、物理的ネットワーク制約の厳格な実施が可能になる。
FTTフレームワークは、理論的な輸送モデルと実践的な展開ニーズのギャップを埋め、次世代統合モビリティシステムの基礎を提供する。
関連論文リスト
- DKGCM: A Spatio-Temporal Prediction Model for Traffic Flow by Fusing Spatial Node Clustering Method and Fourier Bidirectional Mamba Mechanism [6.647935633052109]
DKGCMと呼ばれる新しいグラフ畳み込みネットワーク構造を提案し、交通需要予測の精度を向上させる。
動的時間ウォーピング(DTW)とK平均クラスタリングを使用してトラフィックノードをグループ化し、より効果的に空間依存性をキャプチャする。
我々のモデルはいくつかの高度な手法より優れており、3つの公開データセットに対して強力な結果が得られる。
論文 参考訳（メタデータ） (2025-06-26T06:33:36Z) - Multi-Class Traffic Assignment using Multi-View Heterogeneous Graph Attention Networks [5.205252810216621]
我々は,多クラス車両が関与する場合に,交通代行のための革新的なサロゲートモデルを開発する。
本モデルは,リンクフローと利用率の高精度な予測を行いながら,流れの保存に固執する。
論文 参考訳（メタデータ） (2025-01-15T19:53:14Z) - A Coalition Game for On-demand Multi-modal 3D Automated Delivery System [4.378407481656902]
2つのオーバレイネットワークで動作するUAVとADRの連合ゲームとして,マルチモーダルな自律デリバリ最適化フレームワークを導入する。
このフレームワークは、高密度領域、道路ベースのルーティング、実際の運用課題など、都市環境におけるラストマイルデリバリに対処する。
論文 参考訳（メタデータ） (2024-12-23T03:50:29Z) - Cross-Domain Transfer Learning using Attention Latent Features for Multi-Agent Trajectory Prediction [4.292918274985369]
本稿では,トランスフォーマーモデルにおけるアテンション表現に対して,クロスドメイン適応を行う新しい時空間軌道予測フレームワークを提案する。
グラフ畳み込みネットワークは、マルチエージェント車両間の複雑な時空間相互作用を正確にモデル化する動的グラフ特徴埋め込みを構築するためにも統合される。
論文 参考訳（メタデータ） (2024-11-09T06:39:44Z) - Towards a graph-based foundation model for network traffic analysis [3.0558245652654907]
基礎モデルはネットワークトラフィックの複雑さを把握でき、最小限の微調整で特定のタスクや環境に適応できる。
従来のアプローチではトークン化ヘックスレベルのパケットデータを使用していた。
本稿では,フローレベルでグラフベースの新しい代替案を提案する。
論文 参考訳（メタデータ） (2024-09-12T15:04:34Z) - Enhanced Traffic Flow Prediction with Multi-Segment Fusion Tensor Graph Convolutional Networks [9.44949364543965]
既存の交通流予測モデルは、交通ネットワーク内の複雑な空間的依存関係をキャプチャする際の制限に悩まされる。
本研究では,交通流予測のためのマルチセグメント融合テンソルグラフ畳み込みネットワーク(MS-FTGCN)を提案する。
2つの交通流データセットを用いた実験の結果,提案したMS-FTGCNは最先端モデルよりも優れていた。
論文 参考訳（メタデータ） (2024-08-08T05:37:17Z) - TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。
時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。
並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文 参考訳（メタデータ） (2024-04-15T06:01:48Z) - Vertical Federated Learning over Cloud-RAN: Convergence Analysis and
System Optimization [82.12796238714589]
高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。
アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。
我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
論文 参考訳（メタデータ） (2023-05-04T09:26:03Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z) - Dynamic Hierarchical Mimicking Towards Consistent Optimization
Objectives [73.15276998621582]
一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。
DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。
カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
論文 参考訳（メタデータ） (2020-03-24T09:56:13Z) - TrajectoryNet: A Dynamic Optimal Transport Network for Modeling Cellular
Dynamics [74.43710101147849]
本稿では,動的最適輸送を実現するために,分布間の連続経路を制御するTrjectoryNetを提案する。
単細胞RNAシークエンシング(scRNA-seq)技術から得られたデータにおける細胞動態の研究において、これが特に当てはまるかを示す。
論文 参考訳（メタデータ） (2020-02-09T21:00:38Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳（メタデータ） (2020-01-09T10:21:04Z)
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。