論文の概要: Less is More: Non-uniform Road Segments are Efficient for Bus Arrival Prediction

• arxiv url: http://arxiv.org/abs/2512.07200v1
• Date: Mon, 08 Dec 2025 06:25:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.737111
• Title: Less is More: Non-uniform Road Segments are Efficient for Bus Arrival Prediction
• Title（参考訳）: 非均一道路セグメントはバスの到着予測に有効である
• Authors: Zhen Huang, Jiaxin Deng, Jiayu Xu, Junbiao Pang, Haitao Yu,
• Abstract要約: 到達時刻予測のための非一様道路セグメントを効率よく適応的に学習するための強化学習(RL)に基づくアプローチを提案する。 本手法は計算効率を保ちながら最適セグメント選択を保証し,従来の一様手法よりも大幅に改善した。
• 参考スコア（独自算出の注目度）: 11.203654925279439
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In bus arrival time prediction, the process of organizing road infrastructure network data into homogeneous entities is known as segmentation. Segmenting a road network is widely recognized as the first and most critical step in developing an arrival time prediction system, particularly for auto-regressive-based approaches. Traditional methods typically employ a uniform segmentation strategy, which fails to account for varying physical constraints along roads, such as road conditions, intersections, and points of interest, thereby limiting prediction efficiency. In this paper, we propose a Reinforcement Learning (RL)-based approach to efficiently and adaptively learn non-uniform road segments for arrival time prediction. Our method decouples the prediction process into two stages: 1) Non-uniform road segments are extracted based on their impact scores using the proposed RL framework; and 2) A linear prediction model is applied to the selected segments to make predictions. This method ensures optimal segment selection while maintaining computational efficiency, offering a significant improvement over traditional uniform approaches. Furthermore, our experimental results suggest that the linear approach can even achieve better performance than more complex methods. Extensive experiments demonstrate the superiority of the proposed method, which not only enhances efficiency but also improves learning performance on large-scale benchmarks. The dataset and the code are publicly accessible at: https://github.com/pangjunbiao/Less-is-More.
• Abstract（参考訳）: バス到着時刻予測では、道路インフラストラクチャーネットワークデータを均質なエンティティに編成するプロセスはセグメンテーションとして知られている。 道路網のセグメンテーションは、特に自己回帰に基づくアプローチにおいて、到着時刻予測システムの開発における第一かつ最も重要なステップとして広く認識されている。 従来の手法では、一様セグメンテーション戦略を採用しており、道路条件、交差点、関心点など、道路に沿った様々な物理的制約を考慮していないため、予測効率が制限される。 本稿では、到着時刻予測のための非一様道路セグメントを効率よく適応的に学習するための強化学習(RL)に基づくアプローチを提案する。 我々の手法は予測プロセスを2段階に分解する。 1)提案したRLフレームワークを用いて,その影響スコアに基づいて,一様でない道路区間を抽出する。 2) 選択したセグメントに線形予測モデルを適用して予測を行う。 この方法は計算効率を保ちながら最適セグメント選択を保証し、従来の一様アプローチよりも大幅に改善する。 さらに, 実験結果から, 線形手法はより複雑な手法よりも優れた性能が得られることが示唆された。 提案手法は,効率を向上するだけでなく,大規模ベンチマークによる学習性能も向上する。 データセットとコードは、https://github.com/pangjunbiao/Less-is-Moreで公開されている。

関連論文リスト

• Generalized Linear Bandits: Almost Optimal Regret with One-Pass Update [70.38810219913593]
  非線形リンク関数を組み込んで古典線形モデルを拡張したコンテキスト型多武装バンディットフレームワークである一般化線形バンディット問題(GLB)について検討する。 GLBは現実世界のシナリオに広く適用できるが、その非線形性は計算効率と統計効率の両方を達成する上で大きな課題をもたらす。 本稿では,$mathcalO(1)$時間と1ラウンドあたりの空間複雑度をほぼ最適に再現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-16T02:24:21Z)
• Revisiting and Maximizing Temporal Knowledge in Semi-supervised Semantic Segmentation [7.005068872406135]
  平均教師と共同学習に基づくアプローチは、確認バイアスと結合問題を緩和するために用いられる。 これらのアプローチは、複雑なトレーニングパイプラインとかなりの計算負担を伴うことが多い。 本稿では,トレーニングプロセス中に得られた時間的知識を最大限活用することにより,制約を効果的に緩和するPrevMatchフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-31T03:54:59Z)
• Scalable Probabilistic Routes [33.119667669694216]
  ルート予測のための有望なアプローチの1つは、確率値で拡張された決定図を使用する。 線形な変数数を用いた緩和符号化を導入し、結果の決定図のサイズを大幅に削減する。 ステップワイズサンプリング方式の代わりに,単一パスサンプリングに基づく経路予測を提案する。
  論文  参考訳（メタデータ） (2023-06-19T07:10:34Z)
• Variational Linearized Laplace Approximation for Bayesian Deep Learning [11.22428369342346]
  変分スパースガウス過程(GP)を用いた線形ラプラス近似(LLA)の近似法を提案する。 本手法はGPの2つのRKHSの定式化に基づいており、予測平均として元のDNNの出力を保持する。 効率のよい最適化が可能で、結果としてトレーニングデータセットのサイズのサブ線形トレーニング時間が短縮される。
  論文  参考訳（メタデータ） (2023-02-24T10:32:30Z)
• Intersection of Parallels as an Early Stopping Criterion [64.8387564654474]
  そこで本研究では,検証セットを必要とせずに,トレーニングイテレーションの早期停止点を見つける手法を提案する。 幅広い学習率において,コサイン距離基準 (CDC) と呼ばれる手法は,比較したすべての手法よりも平均的な一般化に寄与する。
  論文  参考訳（メタデータ） (2022-08-19T19:42:41Z)
• Interpolation-based Contrastive Learning for Few-Label Semi-Supervised Learning [43.51182049644767]
  半教師付き学習(SSL)は,ラベルが限定された強力なモデルを構築する上で,有効な手法であることが長年証明されてきた。 摂動サンプルを元のものと類似した予測を強制する正規化に基づく手法が注目されている。 本稿では,学習ネットワークの埋め込みを誘導し,サンプル間の線形変化を誘導する新たな対照的な損失を提案する。
  論文  参考訳（メタデータ） (2022-02-24T06:00:05Z)
• Application-Driven Learning: A Closed-Loop Prediction and Optimization Approach Applied to Dynamic Reserves and Demand Forecasting [41.94295877935867]
  我々は、予測と意思決定のプロセスが統合され、協調最適化される新しいクローズドループフレームワークであるアプリケーション駆動学習を提案する。 提案手法は拡張性があり,標準のオープンループ手法よりも一貫して性能が向上することを示す。
  論文  参考訳（メタデータ） (2021-02-26T02:43:28Z)
• Fast Rates for Contextual Linear Optimization [52.39202699484225]
  提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。 予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
  論文  参考訳（メタデータ） (2020-11-05T18:43:59Z)
• Fast Template Matching and Update for Video Object Tracking and Segmentation [56.465510428878]
  私たちが取り組もうとしている主な課題は、フレームの列にまたがるマルチインスタンスの半教師付きビデオオブジェクトセグメンテーションである。 課題は、結果を予測するためのマッチングメソッドの選択と、ターゲットテンプレートを更新するかどうかを決定することである。 本稿では,これら2つの決定を同時に行うために,強化学習を利用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-04-16T08:58:45Z)

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。