論文の概要: INSPIRE-GNN: Intelligent Sensor Placement to Improve Sparse Bicycling Network Prediction via Reinforcement Learning Boosted Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2508.00141v1
• Date: Thu, 31 Jul 2025 20:00:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.659694
• Title: INSPIRE-GNN: Intelligent Sensor Placement to Improve Sparse Bicycling Network Prediction via Reinforcement Learning Boosted Graph Neural Networks
• Title（参考訳）: INSPIRE-GNN:Reinforcement Learning Boosted Graph Neural Networksによるスパース自転車ネットワーク予測を改善するインテリジェントセンサー配置
• Authors: Mohit Gupta, Debjit Bhowmick, Rhys Newbury, Meead Saberi, Shirui Pan, Ben Beck,
• Abstract要約: INSPIRE-GNNは、センサ配置を最適化し、データスパース環境でのリンクレベルの自転車体積推定を改善するために設計された、新しい強化学習型ハイブリッドグラフニューラルネットワーク(GNN)フレームワークである。 我々のフレームワークは,Mean Squared Error(MSE),Root Mean Squared Error(RMSE),Mean Absolute Error(MAE)など,従来のセンサ配置法よりも優れていた。 InSPIRE-GNNの自転車容積推定性能における標準機械学習モデルとディープラーニングモデルとのベンチマークを行い,その有効性を実証した。
• 参考スコア（独自算出の注目度）: 51.76364085699241
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate link-level bicycling volume estimation is essential for sustainable urban transportation planning. However, many cities face significant challenges of high data sparsity due to limited bicycling count sensor coverage. To address this issue, we propose INSPIRE-GNN, a novel Reinforcement Learning (RL)-boosted hybrid Graph Neural Network (GNN) framework designed to optimize sensor placement and improve link-level bicycling volume estimation in data-sparse environments. INSPIRE-GNN integrates Graph Convolutional Networks (GCN) and Graph Attention Networks (GAT) with a Deep Q-Network (DQN)-based RL agent, enabling a data-driven strategic selection of sensor locations to maximize estimation performance. Applied to Melbourne's bicycling network, comprising 15,933 road segments with sensor coverage on only 141 road segments (99% sparsity) - INSPIRE-GNN demonstrates significant improvements in volume estimation by strategically selecting additional sensor locations in deployments of 50, 100, 200 and 500 sensors. Our framework outperforms traditional heuristic methods for sensor placement such as betweenness centrality, closeness centrality, observed bicycling activity and random placement, across key metrics such as Mean Squared Error (MSE), Root Mean Squared Error (RMSE) and Mean Absolute Error (MAE). Furthermore, our experiments benchmark INSPIRE-GNN against standard machine learning and deep learning models in the bicycle volume estimation performance, underscoring its effectiveness. Our proposed framework provides transport planners actionable insights to effectively expand sensor networks, optimize sensor placement and maximize volume estimation accuracy and reliability of bicycling data for informed transportation planning decisions.
• Abstract（参考訳）: 持続可能な都市交通計画には,正確なリンクレベルの自転車量推定が不可欠である。 しかし、多くの都市では、自転車の数に制限があるため、データスパシティの重大な課題に直面している。 InSPIRE-GNNは,センサ配置を最適化し,データスパース環境におけるリンクレベルのバイオサイクリング量推定を改善するために設計された,RL(Reinforcement Learning)をベースとした新しいハイブリッドグラフニューラルネットワーク(GNN)フレームワークである。 INSPIRE-GNNは、Graph Convolutional Networks (GCN) と Graph Attention Networks (GAT) を、Deep Q-Network (DQN) ベースのRLエージェントと統合し、センサ位置のデータ駆動による戦略的選択を可能にし、推定性能を最大化する。 InSPIRE-GNNは50、100、200、500のセンサーの配置において、追加のセンサー位置を戦略的に選択することで、ボリューム推定の大幅な改善を示す。 我々のフレームワークは、Mean Squared Error(MSE)、Root Mean Squared Error(RMSE)、Mean Absolute Error(MAE)といった重要な指標において、センサ配置の相互中心性、近接中心性、観察された自転車活動、ランダム配置といった従来のヒューリスティック手法よりも優れている。 さらに,本実験では,自転車容積推定性能において,標準的な機械学習モデルとディープラーニングモデルに対して,INSPIRE-GNNのベンチマークを行った。 提案フレームワークは,センサネットワークを効果的に拡張し,センサ配置を最適化し,バイオサイクリングデータのボリューム推定精度と信頼性を最大化し,交通計画決定に有効であることを示す。

関連論文リスト

• BikeVAE-GNN: A Variational Autoencoder-Augmented Hybrid Graph Neural Network for Sparse Bicycle Volume Estimation [15.126643708837712]
  BikeVAE-GNNは、変分オートエンコーダ(VAE)を備えたハイブリッドグラフニューラルネットワーク(GNN)を増強する新しいデュアルタスクフレームワークである。 BikeVAE-GNNは、同時に、自転車のボリューム推定と自転車のトラフィックレベルの分類のための回帰を行う。 実験の結果,BikeVAE-GNNは機械学習およびベースラインGNNモデルより優れており,平均絶対誤差(MAE)は1日30.82本,精度99%,F1スコア0.99本であった。
  論文  参考訳（メタデータ） (2025-07-18T09:18:02Z)
• Semi-decentralized Training of Spatio-Temporal Graph Neural Networks for Traffic Prediction [0.15978270011184256]
  スマートモビリティ領域における時空間グラフ時間ニューラルネットワーク(ST-GNN)のための半分散トレーニング手法を探索し,適応する。 センサを複数のクラウドレットに近接してグループ化するシミュレーションフレームワークを実装した。 半分散的なセットアップは、パフォーマンスメトリクスの集中的なアプローチと同等であることを示す。
  論文  参考訳（メタデータ） (2024-12-04T10:20:21Z)
• Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach [54.84957282120537]
  本稿では,リンクレベルの自転車の体積をモデル化するためにGCNアーキテクチャを利用する最初の研究について述べる。 線形回帰、サポートベクターマシン、ランダムフォレストといった従来の機械学習モデルと比較した。 以上の結果から,GCNモデルは,年間平均自転車数(AADB)を予測する上で,従来のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-10-11T04:53:18Z)
• Positional Encoder Graph Quantile Neural Networks for Geographic Data [4.277516034244117]
  本稿では,PE-GNNと量子ニューラルネットワーク,部分的に単調なニューラルブロック,ポストホックリカレーション技術を組み合わせた新しいフレームワークを提案する。 PE-GQNNは、ターゲット分布に関する最小の仮定で柔軟で堅牢な条件密度推定を可能にし、空間データを超えたタスクに自然に拡張する。
  論文  参考訳（メタデータ） (2024-09-27T16:02:12Z)
• A distributed neural network architecture for dynamic sensor selection with application to bandwidth-constrained body-sensor networks [53.022158485867536]
  ディープニューラルネットワーク(DNN)のための動的センサ選択手法を提案する。 データセット全体の固定選択ではなく、個々の入力サンプルに対して最適なセンササブセット選択を導出することができる。 無線センサネットワーク(WSN)の寿命を、各ノードの送信頻度に制約を加えることで、この動的選択をいかに利用できるかを示す。
  論文  参考訳（メタデータ） (2023-08-16T14:04:50Z)
• Automotive Object Detection via Learning Sparse Events by Spiking Neurons [20.930277906912394]
  スパイキングニューラルネットワーク(SNN)は、本質的にイベントベースのデータと整合した時間的表現を提供する。 自動車のイベントベース物体検出に最適化された特化スパイキング特徴ピラミッドネットワーク(SpikeFPN)を提案する。
  論文  参考訳（メタデータ） (2023-07-24T15:47:21Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。