論文の概要: BO4Mob: Bayesian Optimization Benchmarks for High-Dimensional Urban Mobility Problem

• arxiv url: http://arxiv.org/abs/2510.18824v1
• Date: Tue, 21 Oct 2025 17:22:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.026471
• Title: BO4Mob: Bayesian Optimization Benchmarks for High-Dimensional Urban Mobility Problem
• Title（参考訳）: BO4Mob:高次元都市モビリティ問題に対するベイズ最適化ベンチマーク
• Authors: Seunghee Ryu, Donghoon Kwon, Seongjin Choi, Aryan Deshwal, Seungmo Kang, Carolina Osorio,
• Abstract要約: 我々は高次元ベイズ最適化(BO)のための新しいベンチマークフレームワークである textbfBO4Mob を紹介する。 これは大都市道路網におけるオリジン・デスティネーション(OD)の走行需要推定の課題に起因している。 BO4Mobは、現実世界のSan Jose, CAロードネットワークに基づく5つのシナリオで構成され、入力次元は最大10100までスケールする。
• 参考スコア（独自算出の注目度）: 8.791863041610641
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce \textbf{BO4Mob}, a new benchmark framework for high-dimensional Bayesian Optimization (BO), driven by the challenge of origin-destination (OD) travel demand estimation in large urban road networks. Estimating OD travel demand from limited traffic sensor data is a difficult inverse optimization problem, particularly in real-world, large-scale transportation networks. This problem involves optimizing over high-dimensional continuous spaces where each objective evaluation is computationally expensive, stochastic, and non-differentiable. BO4Mob comprises five scenarios based on real-world San Jose, CA road networks, with input dimensions scaling up to 10,100. These scenarios utilize high-resolution, open-source traffic simulations that incorporate realistic nonlinear and stochastic dynamics. We demonstrate the benchmark's utility by evaluating five optimization methods: three state-of-the-art BO algorithms and two non-BO baselines. This benchmark is designed to support both the development of scalable optimization algorithms and their application for the design of data-driven urban mobility models, including high-resolution digital twins of metropolitan road networks. Code and documentation are available at https://github.com/UMN-Choi-Lab/BO4Mob.
• Abstract（参考訳）: 我々は,大都市道路網におけるオリジン決定(OD)走行需要推定の課題に起因して,ハイ次元ベイズ最適化(BO)のための新しいベンチマークフレームワークである「textbf{BO4Mob}」を紹介した。 限られた交通センサデータからOD走行需要を推定することは、特に現実の大規模交通ネットワークにおいて難しい逆最適化問題である。 この問題は、それぞれの客観的評価が計算コストが高く、確率的で、微分不可能な高次元連続空間を最適化することを含む。 BO4Mobは、現実世界のSan Jose, CAロードネットワークに基づく5つのシナリオで構成され、入力次元は10,100までスケールする。 これらのシナリオは、現実的な非線形および確率力学を取り入れた高分解能でオープンソースの交通シミュレーションを利用する。 我々は,3つの最先端BOアルゴリズムと2つの非BOベースラインの5つの最適化手法を評価することで,ベンチマークの有用性を実証する。 このベンチマークは、スケーラブルな最適化アルゴリズムの開発と、大都市道路網の高解像度デジタルツインを含む、データ駆動型都市モビリティモデルの設計への応用の両方をサポートするように設計されている。 コードとドキュメントはhttps://github.com/UMN-Choi-Lab/BO4Mob.comで公開されている。

関連論文リスト

• Quantum Annealing for Realistic Traffic Flow Optimization: Clustering and Data-Driven QUBO [0.39325957466009204]
  本稿では、トラフィック最適化を擬似非制約バイナリ最適化として再構成するデータ駆動方式を提案する。 このモデルは、シミュレーションされた現実的なモビリティデータ、複数のルーティング代替品、分析的に導出されたペナルティ制約を統合する。 最大25,000台の車両のベンチマークでは、ハイブリッド量子アニールは古典的解法であるグロビの1%以内で最適に近い解が得られることが示されている。
  論文  参考訳（メタデータ） (2025-10-07T15:46:49Z)
• URB -- Urban Routing Benchmark for RL-equipped Connected Autonomous Vehicles [0.0]
  強化学習(RL)は、このような集合的ルーティング戦略の開発を容易にする。 RL搭載コネクテッド・オートマチック・ビークルの都市ルーティングベンチマークについて紹介する。 我々の結果は、長大でコストのかかるトレーニングにもかかわらず、最先端のMARLアルゴリズムが人間を上回ることは滅多にないことを示唆している。
  論文  参考訳（メタデータ） (2025-05-23T10:54:53Z)
• Learning Universal Human Mobility Patterns with a Foundation Model for Cross-domain Data Fusion [11.332722237426987]
  ユニバーサルな人体移動のための基盤モデルフレームワークを提案する。 制限に対処するために、クロスドメインデータ融合と大きな言語モデルを活用します。 我々のフレームワークはドメイン転送技術による適応性を実証する。
  論文  参考訳（メタデータ） (2025-03-20T01:41:28Z)
• Design-Bench: Benchmarks for Data-Driven Offline Model-Based Optimization [82.02008764719896]
  ブラックボックスモデルに基づく最適化問題は、タンパク質、DNA配列、航空機、ロボットの設計など、幅広い領域で広く使われている。 本稿では,統合評価プロトコルと最近の手法の参照実装を備えたオフラインMBOのためのベンチマークであるDesign-Benchを提案する。 私たちのベンチマークには、生物学、材料科学、ロボット工学における現実世界の最適化問題から派生した、多種多様な現実的なタスクが含まれています。
  論文  参考訳（メタデータ） (2022-02-17T05:33:27Z)
• JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
  追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。 GP-UCBに類似した条件下では, 応答が得られないことを示す。 実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-02T05:03:38Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)
• Meta-Reinforcement Learning for Trajectory Design in Wireless UAV Networks [151.65541208130995]
  ドローン基地局(DBS)は、要求が動的で予測不可能な地上ユーザーへのアップリンク接続を提供するために派遣される。 この場合、DBSの軌道は動的ユーザアクセス要求を満たすように適応的に調整されなければならない。 新たな環境に遭遇したDBSの軌道に適応するために,メタラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-25T20:43:59Z)
• A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration Framework [56.57225686288006]
  モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。 従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。 プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-13T23:52:03Z)

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。