論文の概要: City-Conditioned Memory for Multi-City Traffic and Mobility Forecasting

• arxiv url: http://arxiv.org/abs/2512.00851v1
• Date: Sun, 30 Nov 2025 11:43:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.45431
• Title: City-Conditioned Memory for Multi-City Traffic and Mobility Forecasting
• Title（参考訳）: 多都市交通とモビリティ予測のためのシティコンディションメモリ
• Authors: Wenzhang Du,
• Abstract要約: CityCondは、既存の時間的バックボーンを拡張する軽量なシティコンディショニングメモリ層である。 CityMemは完全なデータ設定でエラーを約3分の1削減する。 SINDでは、簡易な都市IDコンディショニングにより低データLSTM性能が向上する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying spatio-temporal forecasting models across many cities is difficult: traffic networks differ in size and topology, data availability can vary by orders of magnitude, and new cities may provide only a short history of logs. Existing deep traffic models are typically trained per city and backbone, creating high maintenance cost and poor transfer to data-scarce cities. We ask whether a single, backbone-agnostic layer can condition on "which city this sequence comes from", improve accuracy in full- and low-data regimes, and support better cross-city adaptation with minimal code changes. We propose CityCond, a light-weight city-conditioned memory layer that augments existing spatio-temporal backbones. CityCond combines a city-ID encoder with an optional shared memory bank (CityMem). Given a city index and backbone hidden states, it produces city-conditioned features fused through gated residual connections. We attach CityCond to five representative backbones (GRU, TCN, Transformer, GNN, STGCN) and evaluate three regimes: full-data, low-data, and cross-city few-shot transfer on METR-LA and PEMS-BAY. We also run auxiliary experiments on SIND, a drone-based multi-agent trajectory dataset from a signalized intersection in Tianjin (we focus on pedestrian tracks). Across more than fourteen model variants and three random seeds, CityCond yields consistent improvements, with the largest gains for high-capacity backbones such as Transformers and STGCNs. CityMem reduces Transformer error by roughly one third in full-data settings and brings substantial gains in low-data and cross-city transfer. On SIND, simple city-ID conditioning modestly improves low-data LSTM performance. CityCond can therefore serve as a reusable design pattern for scalable, multi-city forecasting under realistic data constraints.
• Abstract（参考訳）: 多くの都市に時空間予測モデルを配置することは困難であり、交通網のサイズとトポロジは異なり、データの可用性は桁違いに変化し、新しい都市はログの短い履歴しか提供できない。 既存のディープ・トラヒック・モデルは通常、都市やバックボーンごとに訓練されており、メンテナンスコストが高く、データ・スカースな都市への転送が不十分である。 単一のバックボーン非依存層が“このシーケンスがどこから来たか”を条件付け可能かどうかを問うとともに、フルデータおよびローデータレシエーションの精度を改善し、最小限のコード変更による都市間適応の改善をサポートする。 本稿では,既存の時空間バックボーンを増強する軽量な都市空調メモリ層であるCityCondを提案する。 CityCondは、シティIDエンコーダとオプションの共有メモリバンク(CityMem)を組み合わせる。 都市指数とバックボーンが隠された状態から、ゲート状残差接続で融合した都市条件の特徴を生産する。 我々は,CityCondを5つの代表的なバックボーン(GRU, TCN, Transformer, GNN, STGCN)にアタッチし,METR-LAおよびPEMS-BAY上でのフルデータ,ローデータ,およびクロスシティ・ショット転送の3つのレジームを評価する。 また,天津の信号化交差点から,ドローンによるマルチエージェント軌道データセットであるSINDの補助実験を行った。 14種類以上のモデルと3つのランダムなシードに対して、CityCondは一貫した改善をもたらし、トランスフォーマーやSTGCNのような高容量のバックボーンでは最大の利益を得ている。 CityMemはTransformerのエラーを、フルデータ設定で約3分の1削減し、ローデータおよびクロスシティ転送で大幅に向上する。 SINDでは、単純なシティIDコンディショニングにより、低データLSTM性能が適度に向上する。 そのためCityCondは、現実的なデータ制約の下で、スケーラブルでマルチシティ予測のための再利用可能なデザインパターンとして機能する。

関連論文リスト

• UrbanPulse: A Cross-City Deep Learning Framework for Ultra-Fine-Grained Population Transfer Prediction [0.0]
  UrbanPulseは、超微細で都市全体のODフロー予測を提供するスケーラブルなディープラーニングフレームワークである。 大規模な都市グラフの事前学習、コールドスタート適応、強化学習微調整という3段階の学習戦略を採用している。 最先端の精度とスケーラビリティを実現します。
  論文  参考訳（メタデータ） (2025-07-23T20:44:25Z)
• CityGo: Lightweight Urban Modeling and Rendering with Proxy Buildings and Residual Gaussians [48.22146326647521]
  CityGoは、テクスチャ化されたプロキシ幾何と周囲の3Dガウスアンを組み合わせたハイブリッドフレームワークで、空から見た都市景観のレンダリングを行う。 我々の表現はトレーニング時間を大幅に短縮し、平均1.4倍のスピードアップを実現し、純粋な3次元ガウススプラッティングアプローチに匹敵する視覚的忠実度を提供する。
  論文  参考訳（メタデータ） (2025-05-27T11:24:08Z)
• Spatio-Temporal Graph Neural Network for Urban Spaces: Interpolating Citywide Traffic Volume [4.188237759092441]
  本稿では,新しい都市交通量推定手法であるGNNUI(Graph Neural Network for Urban Interpolation)を紹介する。 GNNUIは、学習のためにマスキングアルゴリズムを採用し、機能的な役割を捉えるためにノード機能を統合する。 このモデルに加えて、異なる交通手段をカバーする2つの新しいオープンスケール都市交通量ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-05-07T13:34:00Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Spatio-Temporal Few-Shot Learning via Diffusive Neural Network Generation [25.916891462152044]
  本稿では,都市知識伝達を伴う複雑な数ショット学習のための新しい生成事前学習フレームワークであるGPDを提案する。 我々は、プロンプトで導かれる調整されたニューラルネットワークを生成する生成拡散モデルを再放送する。 GPDは、トラフィック速度予測やクラウドフロー予測といったタスクのデータセットにおける最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2024-02-19T08:11:26Z)
• MatrixCity: A Large-scale City Dataset for City-scale Neural Rendering and Beyond [69.37319723095746]
  都市規模のニューラルレンダリング研究のための大規模で包括的で高品質な合成データセットを構築します。 本研究では,地上カメラのポーズと追加データモダリティを伴って,航空・街路ビューを容易に収集するパイプラインを構築した。 その結果得られたパイロットデータセットMatrixCityには、合計28km2$の2つの都市地図から、67kの空中画像と452kのストリート画像が含まれている。
  論文  参考訳（メタデータ） (2023-09-28T16:06:02Z)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• SARN: Structurally-Aware Recurrent Network for Spatio-Temporal Disaggregation [8.636014676778682]
  オープンデータは、通常プライバシーポリシーに従うために、しばしば空間的に集約される。しかし、粗い、異質な集約は、下流のAI/MLシステムに対する一貫性のある学習と統合を複雑にする。 本稿では,空間的注意層をGRU(Gated Recurrent Unit)モデルに統合したSARN(Structurely-Aware Recurrent Network)を提案する。 履歴学習データに制限のあるシナリオでは、ある都市変数に事前学習したモデルを、数百のサンプルのみを用いて、他の都市変数に対して微調整できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T21:01:29Z)
• 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)

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。