論文の概要: A Knowledge-Guided Cross-Modal Feature Fusion Model for Local Traffic Demand Prediction

• arxiv url: http://arxiv.org/abs/2509.06976v1
• Date: Fri, 29 Aug 2025 14:52:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-14 20:41:04.929863
• Title: A Knowledge-Guided Cross-Modal Feature Fusion Model for Local Traffic Demand Prediction
• Title（参考訳）: 地域交通需要予測のための知識誘導型クロスモーダル特徴融合モデル
• Authors: Lingyu Zhang, Pengfei Xu, Guobin Wu, Jian Liang, Ruiyang Dong, Yunhai Wang, Xuan Song,
• Abstract要約: 既存の交通予測モデルは、主に時間的交通データに依存している。 交通知識と人間の日常生活から得られる経験は、正確な交通予測に大きな影響を及ぼす。 本稿では,人的知識と経験を表わすテキストデータと構造化時間的トラフィックデータを統合することを提案する。
• 参考スコア（独自算出の注目度）: 26.560910387318774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic demand prediction plays a critical role in intelligent transportation systems. Existing traffic prediction models primarily rely on temporal traffic data, with limited efforts incorporating human knowledge and experience for urban traffic demand forecasting. However, in real-world scenarios, traffic knowledge and experience derived from human daily life significantly influence precise traffic prediction. Such knowledge and experiences can guide the model in uncovering latent patterns within traffic data, thereby enhancing the accuracy and robustness of predictions. To this end, this paper proposes integrating structured temporal traffic data with textual data representing human knowledge and experience, resulting in a novel knowledge-guided cross-modal feature representation learning (KGCM) model for traffic demand prediction. Based on regional transportation characteristics, we construct a prior knowledge dataset using a large language model combined with manual authoring and revision, covering both regional and global knowledge and experiences. The KGCM model then learns multimodal data features through designed local and global adaptive graph networks, as well as a cross-modal feature fusion mechanism. A proposed reasoning-based dynamic update strategy enables dynamic optimization of the graph model's parameters, achieving optimal performance. Experiments on multiple traffic datasets demonstrate that our model accurately predicts future traffic demand and outperforms existing state-of-the-art (SOTA) models.
• Abstract（参考訳）: 交通需要予測は、インテリジェント交通システムにおいて重要な役割を果たす。 既存の交通予測モデルは、主に時間的交通データに依存しており、都市交通需要予測に人的知識と経験を取り入れた努力が限られている。 しかし、現実のシナリオでは、人間の日常生活に由来する交通知識と経験が正確な交通予測に大きな影響を及ぼす。 このような知識や経験は、交通データ内の潜伏パターンを明らかにする上でモデルを導くことができるため、予測の正確性と堅牢性を高めることができる。 そこで本研究では,構造化時間的トラフィックデータと人間の知識と経験を表わしたテキストデータを統合することにより,交通需要予測のための新しい知識誘導型クロスモーダル特徴表現学習(KGCM)モデルを提案する。 地域交通特性に基づいて,大規模言語モデルと手作業によるオーサリングとリビジョンを組み合わせた事前知識データセットを構築し,地域およびグローバルな知識と経験をカバーした。 KGCMモデルは、設計された局所的および大域的適応グラフネットワークを通じてマルチモーダルデータ特徴を学習し、また、クロスモーダルな特徴融合機構を学習する。 提案した推論に基づく動的更新戦略は,グラフモデルのパラメータを動的に最適化し,最適な性能を実現する。 複数のトラフィックデータセットの実験により、我々のモデルは将来のトラフィック需要を正確に予測し、既存の最先端(SOTA)モデルより優れていることが示された。

関連論文リスト

• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• Towards Explainable Traffic Flow Prediction with Large Language Models [36.86937188565623]
  本稿では,Large Language Models (LLMs) に基づく交通流予測モデルを提案する。 マルチモーダルなトラフィックデータを自然言語記述に転送することで、xTP-LLMは複雑な時系列パターンと外部要因を包括的なトラフィックデータからキャプチャする。 経験的に、xTP-LLMは、ディープラーニングのベースラインと比較して、競争の正確さを示すと同時に、予測の直感的で信頼性の高い説明を提供する。
  論文  参考訳（メタデータ） (2024-04-03T07:14:15Z)
• TPLLM: A Traffic Prediction Framework Based on Pretrained Large Language Models [27.306180426294784]
  大規模言語モデル(LLM)を利用した新しい交通予測フレームワークであるTPLLMを紹介する。 本フレームワークでは,Lonal Neural Networks (LoCNNs) に基づくシーケンス埋め込み層と,Graph Contemporalal Networks (GCNs) に基づくグラフ埋め込み層を構築し,シーケンスの特徴と空間的特徴を抽出する。 実世界の2つのデータセットの実験では、フルサンプルと数ショットの予測シナリオの両方で、満足できるパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-03-04T17:08:57Z)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory Prediction Model based on Neural Networks and Distributed Representations [0.0]
  車両軌道予測におけるトレーニングデータの構成について検討する。 本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T20:00:11Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)

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。