Fugu-MT 論文翻訳(概要): Relation-Aware LNN-Transformer for Intersection-Centric Next-Step Prediction

論文の概要: Relation-Aware LNN-Transformer for Intersection-Centric Next-Step Prediction

arxiv url: http://arxiv.org/abs/2508.01368v1
Date: Sat, 02 Aug 2025 13:47:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-05 18:25:21.843884
Title: Relation-Aware LNN-Transformer for Intersection-Centric Next-Step Prediction
Title（参考訳）: 断面積次ステップ予測のための関係対応LNN変換器
Authors: Zhehong Ren, Tianluo Zhang, Yiheng Lu, Yushen Liang, Promethee Spathis,
Abstract要約: 市内の道路横断グラフ上に道路利用者軌道を表す道路ノード中心の枠組みを導入する。これらのキューと構造グラフの埋め込みを組み合わせることで、意味的に基底化されたノード表現が得られる。我々のモデルは6つの最先端のベースラインを最大17ポイントの精度で1ホップで、MRRで10ポイントの精度で上回ります。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Next-step location prediction plays a pivotal role in modeling human mobility, underpinning applications from personalized navigation to strategic urban planning. However, approaches that assume a closed world - restricting choices to a predefined set of points of interest (POIs) - often fail to capture exploratory or target-agnostic behavior and the topological constraints of urban road networks. Hence, we introduce a road-node-centric framework that represents road-user trajectories on the city's road-intersection graph, thereby relaxing the closed-world constraint and supporting next-step forecasting beyond fixed POI sets. To encode environmental context, we introduce a sector-wise directional POI aggregation that produces compact features capturing distance, bearing, density and presence cues. By combining these cues with structural graph embeddings, we obtain semantically grounded node representations. For sequence modeling, we integrate a Relation-Aware LNN-Transformer - a hybrid of a Continuous-time Forgetting Cell CfC-LNN and a bearing-biased self-attention module - to capture both fine-grained temporal dynamics and long-range spatial dependencies. Evaluated on city-scale road-user trajectories, our model outperforms six state-of-the-art baselines by up to 17 percentage points in accuracy at one hop and 10 percentage points in MRR, and maintains high resilience under noise, losing only 2.4 percentage points in accuracy at one under 50 meter GPS perturbation and 8.9 percentage points in accuracy at one hop under 25 percent POI noise.
Abstract（参考訳）: 次段階の位置予測は、パーソナライズされたナビゲーションから戦略的都市計画に至るまで、人間の移動をモデル化する上で重要な役割を担っている。しかし、クローズド・ワールドを仮定するアプローチ(POI)は、事前に定義された関心点(POI)の集合に選択を制限しているが、しばしば探索的または目標に依存しない行動と都市道路網のトポロジ的制約を捉えることに失敗する。そこで,都市の道路横断グラフ上での道路利用者軌道を表す道路ノード中心の枠組みを導入し,閉世界制約を緩和し,固定されたPOI集合を超えた次のステップ予測を支援する。環境コンテキストをエンコードするために,距離,軸受,密度,プレゼンスといったコンパクトな特徴を付加するセクター指向のPOIアグリゲーションを導入する。これらのキューと構造グラフの埋め込みを組み合わせることで、意味的に基底化されたノード表現が得られる。シーケンスモデリングでは、連続時間予測セルCfC-LNNとベアリングバイアス付き自己アテンションモジュールのハイブリッドであるRelation-Aware LNN-Transformerを統合し、微粒な時間的ダイナミクスと長距離空間依存性の両方をキャプチャする。都市規模道路利用者軌跡から推定すると,提案モデルは1ホップの精度で最大17ポイント,MRRの10パーセンテージの精度で6つの最先端ベースラインを上回り,ノイズ下では高いレジリエンスを維持し,50m以下のGPS摂動で2.4ポイント,25%以下のノイズで8.9%の精度で精度を低下させる。

関連論文リスト

INSPIRE-GNN: Intelligent Sensor Placement to Improve Sparse Bicycling Network Prediction via Reinforcement Learning Boosted Graph Neural Networks [51.76364085699241]
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。
論文参考訳（メタデータ） (2025-07-31T20:00:35Z)
POIFormer: A Transformer-Based Framework for Accurate and Scalable Point-of-Interest Attribution [3.729614737011418]
textsfPOIFormerは、正確で効率的なPOI属性のためのトランスフォーマーベースの新しいフレームワークである。 textsfPOIFormerは、大規模でノイズの多いモビリティデータセットにおいて、正確で効率的な属性を可能にする。
論文参考訳（メタデータ） (2025-07-12T04:37:52Z)
NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文参考訳（メタデータ） (2025-06-23T14:28:30Z)
Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
論文参考訳（メタデータ） (2024-06-15T18:53:45Z)
KI-GAN: Knowledge-Informed Generative Adversarial Networks for Enhanced Multi-Vehicle Trajectory Forecasting at Signalized Intersections [15.464952852717127]
本稿では、交通信号情報と多車間相互作用を統合して車両軌道を正確に予測する「知識インフォームド・ジェネレーター・ネットワーク(KI-GAN)」という新しいモデルを提案する。 SinDデータセットに基づいて、KI-GANモデルは平均変位誤差0.05、最終変位誤差0.12を6秒の観測と6秒の予測サイクルで達成できる。
論文参考訳（メタデータ） (2024-04-17T08:53:59Z)
Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2023-06-15T14:50:27Z)
D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
論文参考訳（メタデータ） (2022-07-21T10:19:07Z)
Trajectory Prediction with Graph-based Dual-scale Context Fusion [43.51107329748957]
本稿では,Dual Scale Predictorというグラフベースの軌道予測ネットワークを提案する。静的および動的駆動コンテキストを階層的にエンコードする。提案したデュアルスケールコンテキスト融合ネットワークにより、DSPは正確で人間らしいマルチモーダル軌道を生成することができる。
論文参考訳（メタデータ） (2021-11-02T13:42:16Z)
SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文参考訳（メタデータ） (2021-04-04T03:17:42Z)
Robust GPS-Vision Localization via Integrity-Driven Landmark Attention [2.741266294612776]
都市におけるGPSナビゲーションのための統合型ランドマーク注意(ILA) ヒトの認知的注意に触発され、ランドマークのサブセットを選択するために凸最適化を行う。事前定義されたアラートリミットのローカリゼーション精度と堅牢な予測可用性を実証します。
論文参考訳（メタデータ） (2021-01-13T02:16:13Z)
Self-Growing Spatial Graph Network for Context-Aware Pedestrian Trajectory Prediction [11.716375199937568]
STR-GGRNN(Social Trajectory Recommender-Gated Graph Recurrent Neighborhood Network) STR-GGRNNは、コンテキストシーンの特徴と歩行者の視覚的手がかりに基づいて、データ駆動の適応型オンライン地区推薦を使用する。 ETH-UCYデータセット上での最高性能モデルは12cm ADEと$sim$15 cm FDEである。
論文参考訳（メタデータ） (2020-12-11T13:25:58Z)
It Is Not the Journey but the Destination: Endpoint Conditioned Trajectory Prediction [59.027152973975575]
フレキシブルな人間の軌道予測のための予測条件付きネットワーク(PECNet)を提案する。 PECNetは長距離マルチモーダル軌道予測を支援するために遠方のエンドポイントを推論する。我々は、PECNetがスタンフォードドローン軌道予測ベンチマークの最先端性能を20.9%改善し、ETH/UCYベンチマークの40.8%向上したことを示す。
論文参考訳（メタデータ） (2020-04-04T21:27:13Z)

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。