論文の概要: Machine Learning in Micromobility: A Systematic Review of Datasets, Techniques, and Applications
- arxiv url: http://arxiv.org/abs/2508.16135v1
- Date: Fri, 22 Aug 2025 06:55:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-25 16:42:36.276522
- Title: Machine Learning in Micromobility: A Systematic Review of Datasets, Techniques, and Applications
- Title（参考訳）: マイクロモビリティにおける機械学習: データセット、テクニック、応用の体系的レビュー
- Authors: Sen Yan, Chinmaya Kaundanya, Noel E. O'Connor, Suzanne Little, Mingming Liu,
- Abstract要約: マイクロモビリティシステムは交通渋滞、大気汚染、交通費の高騰などの問題を解決するために用いられる。
マイクロモビリティにおける機械学習(ML)応用の特定の問題に対処する文献は不十分である。
本稿では、データセット、MLテクニック、およびマイクロモビリティにおけるそれらの特定の応用の包括的なレビューを提供することにより、このギャップに対処する。
- 参考スコア（独自算出の注目度）: 10.339062793620213
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Micromobility systems, which include lightweight and low-speed vehicles such as bicycles, e-bikes, and e-scooters, have become an important part of urban transportation and are used to solve problems such as traffic congestion, air pollution, and high transportation costs. Successful utilisation of micromobilities requires optimisation of complex systems for efficiency, environmental impact mitigation, and overcoming technical challenges for user safety. Machine Learning (ML) methods have been crucial to support these advancements and to address their unique challenges. However, there is insufficient literature addressing the specific issues of ML applications in micromobilities. This survey paper addresses this gap by providing a comprehensive review of datasets, ML techniques, and their specific applications in micromobilities. Specifically, we collect and analyse various micromobility-related datasets and discuss them in terms of spatial, temporal, and feature-based characteristics. In addition, we provide a detailed overview of ML models applied in micromobilities, introducing their advantages, challenges, and specific use cases. Furthermore, we explore multiple ML applications, such as demand prediction, energy management, and safety, focusing on improving efficiency, accuracy, and user experience. Finally, we propose future research directions to address these issues, aiming to help future researchers better understand this field.
- Abstract（参考訳）: 自転車、電動自転車、電動スクーターなどの軽量・低速車両を含むマイクロモビリティシステムは、都市交通の重要な部分となり、交通渋滞や大気汚染、交通費の高騰といった問題を解決するために利用されている。
マイクロモビリティの有効活用には、効率性、環境影響の軽減、ユーザの安全性に関する技術的課題の克服など、複雑なシステムの最適化が必要である。
機械学習(ML)手法は、これらの進歩をサポートし、それらの固有の課題に対処するために不可欠である。
しかし、マイクロモビリティにおけるML応用の具体的な問題に対処する文献は不十分である。
本稿では、データセット、MLテクニック、およびマイクロモビリティにおけるそれらの特定の応用の包括的なレビューを提供することにより、このギャップに対処する。
具体的には、様々なマイクロモビリティ関連データセットを収集し、空間的、時間的、特徴に基づく特徴の観点から議論する。
さらに、マイクロモビリティに適用されたMLモデルの詳細な概要を説明し、その利点、課題、特定のユースケースを紹介します。
さらに,需要予測やエネルギー管理,安全性など,複数のMLアプリケーションについても検討し,効率性,正確性,ユーザエクスペリエンスの向上に重点を置いている。
最後に,これらの課題に対処するための今後の研究指針を提案し,今後の研究者がこの分野をより深く理解することを目的とする。
関連論文リスト
- The Landscape of Memorization in LLMs: Mechanisms, Measurement, and Mitigation [97.0658685969199]
大規模言語モデル(LLM)は、幅広いタスクにわたって顕著な能力を示してきたが、トレーニングデータの記憶も示している。
本稿では,最近の研究成果を整理し,記憶の景観,その影響要因,その検出・緩和方法について考察する。
論文 参考訳（メタデータ） (2025-07-08T01:30:46Z) - Scalability and Maintainability Challenges and Solutions in Machine Learning: Systematic Literature Review [5.044100238869375]
本稿では,機械学習(ML)システムにおけるスケーラビリティと保守性に関する重要な課題と解決策について考察する。
MLアプリケーションがますます複雑になり、業界全体に広まっていくにつれ、システムのスケーラビリティと長期的な保守性とのバランスの必要性が大きな懸念事項となっている。
我々は124の論文を分析し、41の保守性課題と13のスケーラビリティ課題とそれに対応するソリューションを特定し、分類した。
論文 参考訳（メタデータ） (2025-04-15T11:24:43Z) - Exploring the Roles of Large Language Models in Reshaping Transportation Systems: A Survey, Framework, and Roadmap [51.198001060683296]
大型言語モデル(LLM)は、輸送上の課題に対処するための変革的な可能性を提供する。
LLM4TRは,交通におけるLSMの役割を体系的に分類する概念的枠組みである。
それぞれの役割について,交通予測や自律運転,安全分析,都市移動最適化など,さまざまな応用について検討した。
論文 参考訳（メタデータ） (2025-03-27T11:56:27Z) - Small Object Detection: A Comprehensive Survey on Challenges, Techniques and Real-World Applications [0.15705429611931052]
小型物体検出(SOD)はコンピュータビジョンにおいて重要な課題である。
ディープラーニングの最近の進歩は革新的なソリューションを導入している。
軽量ニューラルネットワーク、知識蒸留(KD)、自己教師型学習といった新興トレンドは、検出効率を改善する上で有望な方向を提供する。
論文 参考訳（メタデータ） (2025-03-26T12:58:13Z) - Small Vision-Language Models: A Survey on Compact Architectures and Techniques [0.28087862620958753]
小型視覚言語モデル(sVLM)の出現は、マルチモーダルAIにおける重要な進歩である。
この調査は、コンパクトデザインと計算効率の革新を強調するアーキテクチャの分類を提供する。
論文 参考訳（メタデータ） (2025-03-09T16:14:46Z) - Integrating LLMs with ITS: Recent Advances, Potentials, Challenges, and Future Directions [1.6121249557846946]
本稿では,Large Language Models (LLMs) のITS最適化における変換可能性について概説する。
我々の分析は、これらの高度なモデルが交通管理と安全性を大幅に向上させる方法を明らかにしている。
本稿は,PLMをITSに統合する複雑性と機会を通じて,研究者や実践者を支援することを目的とする。
論文 参考訳（メタデータ） (2025-01-08T11:37:35Z) - MobileAIBench: Benchmarking LLMs and LMMs for On-Device Use Cases [81.70591346986582]
モバイル端末上でのLarge Language Models(LLM)とLarge Multimodal Models(LMM)を評価するためのベンチマークフレームワークであるMobileAIBenchを紹介する。
MobileAIBenchは、さまざまなサイズ、量子化レベル、タスクにわたるモデルを評価し、実際のデバイス上でのレイテンシとリソース消費を測定する。
論文 参考訳（メタデータ） (2024-06-12T22:58:12Z) - Large Language Models for Mobility Analysis in Transportation Systems: A Survey on Forecasting Tasks [9.957103189239831]
機械学習とディープラーニングの方法は、その柔軟性と正確性に好まれる。
大規模言語モデル (LLMs) の出現に伴い、多くの研究者がこれらのモデルと過去の手法を組み合わせ、将来の交通情報や人間の旅行行動を直接予測するためにLLMを適用した。
論文 参考訳（メタデータ） (2024-05-03T02:54:43Z) - On the Vulnerability of LLM/VLM-Controlled Robotics [54.57914943017522]
大規模言語モデル(LLM)と視覚言語モデル(VLM)を統合するロボットシステムの脆弱性を,入力モダリティの感度によって強調する。
LLM/VLM制御型2つのロボットシステムにおいて,単純な入力摂動がタスク実行の成功率を22.2%,14.6%減少させることを示す。
論文 参考訳（メタデータ） (2024-02-15T22:01:45Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z)
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。