論文の概要: Introducing a novel Location-Assignment Algorithm for Activity-Based Transport Models: CARLA

• arxiv url: http://arxiv.org/abs/2509.18191v1
• Date: Fri, 19 Sep 2025 08:45:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.475762
• Title: Introducing a novel Location-Assignment Algorithm for Activity-Based Transport Models: CARLA
• Title（参考訳）: 活動ベース交通モデルのための新しい位置割り当てアルゴリズム:CARLA
• Authors: Felix Petre, Lasse Bienzeisler, Bernhard Friedrich,
• Abstract要約: 本稿では,アクティビティベースの旅行モデルにおいて,二次的又は任意の活動位置を割り当てるアルゴリズムであるCARLA(spatially Constrained Anchor-based Recursive Location Assignment)を紹介する。 カルラは位置ポテンシャルを統合しながら距離偏差を最小化し、より現実的な活動を保証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper introduces CARLA (spatially Constrained Anchor-based Recursive Location Assignment), a recursive algorithm for assigning secondary or any activity locations in activity-based travel models. CARLA minimizes distance deviations while integrating location potentials, ensuring more realistic activity distributions. The algorithm decomposes trip chains into smaller subsegments, using geometric constraints and configurable heuristics to efficiently search the solution space. Compared to a state-of-the-art relaxation-discretization approach, CARLA achieves significantly lower mean deviations, even under limited runtimes. It is robust to real-world data inconsistencies, such as infeasible distances, and can flexibly adapt to various priorities, such as emphasizing location attractiveness or distance accuracy. CARLA's versatility and efficiency make it a valuable tool for improving the spatial accuracy of activity-based travel models and agent-based transport simulations. Our implementation is available at https://github.com/tnoud/carla.
• Abstract（参考訳）: 本稿では,アクティビティベースの旅行モデルにおいて,二次的又は任意の活動位置を割り当てるための再帰的アルゴリズムであるCARLA(spatially Constrained Anchor-based Recursive Location Assignment)を紹介する。 CARLAは位置ポテンシャルを統合しながら距離ずれを最小限に抑え、より現実的な活動分布を確保する。 このアルゴリズムはトリップチェインを幾何学的制約と構成可能なヒューリスティックを使ってより小さな部分集合に分解し、解空間を効率的に探索する。 CARLAは、最先端の緩和・分散アプローチと比較して、限られたランタイムの下でも、平均偏差が著しく低い。 実現不可能な距離のような現実世界のデータの不整合に対して堅牢であり、位置の魅力や距離精度を強調するなど、様々な優先順位に柔軟に対応することができる。 CARLAの汎用性と効率性は、アクティビティベースの旅行モデルとエージェントベースの輸送シミュレーションの空間的精度を向上させる貴重なツールとなる。 私たちの実装はhttps://github.com/tnoud/carla.comで公開しています。

関連論文リスト

• Zero-Shot Cellular Trajectory Map Matching [16.536993636893804]
  ゼロショットCTMMのための画素ベーストラジェクトリキャリブレーションアシスタントを提案する。 ゼロショットCTMMの既存手法を16.8%向上させる。
  論文  参考訳（メタデータ） (2025-08-08T19:47:45Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Pre-training Contextual Location Embeddings in Personal Trajectories via Efficient Hierarchical Location Representations [30.493743596793212]
  人間の移動データから生成された位置の埋め込みを事前学習することは、位置情報ベースのサービスにとって一般的な方法となっている。 これまでの研究では、1万個未満の異なる場所を処理しており、これは現実世界の応用では不十分である。 本研究では,異なる規模の複数のグリッドの組み合わせとして位置を表現することによって,トレーニング対象の場所数を効率的に削減するGeo-Tokenizerを提案する。
  論文  参考訳（メタデータ） (2023-10-02T14:40:24Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• DDPEN: Trajectory Optimisation With Sub Goal Generation Model [70.36888514074022]
  本稿では,エスケープネットワークを用いた微分動的プログラミング(DDPEN)を提案する。 本稿では,環境の入力マップとして,所望の位置とともにコストマップの形で利用する深層モデルを提案する。 このモデルは、目標に導く可能性のある将来の方向を生成し、リアルタイムに実行可能なローカルなミニマを避ける。
  論文  参考訳（メタデータ） (2023-01-18T11:02:06Z)
• InfoOT: Information Maximizing Optimal Transport [58.72713603244467]
  InfoOTは最適な輸送の情報理論の拡張である。 幾何学的距離を最小化しながら、ドメイン間の相互情報を最大化する。 この定式化は、外れ値に対して堅牢な新しい射影法をもたらし、目に見えないサンプルに一般化する。
  論文  参考訳（メタデータ） (2022-10-06T18:55:41Z)
• Learning Space Partitions for Path Planning [54.475949279050596]
  PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。 これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
  論文  参考訳（メタデータ） (2021-06-19T18:06:11Z)
• Maplets: An Efficient Approach for Cooperative SLAM Map Building Under Communication and Computation Constraints [0.8499685241219366]
  本稿では,大規模・近地・地下・屋内空間の協力的探索とマッピングを容易にするためのアプローチを紹介する。 この取り組みは、必要な通信と冗長な処理を制限することを重視したサイズ、重量、パワー(SWaP)エージェントを限定的にターゲットとしている。
  論文  参考訳（メタデータ） (2020-05-20T18:49:31Z)

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。