論文の概要: A Distributed Hierarchical Spatio-Temporal Edge-Enhanced Graph Neural Network for City-Scale Dynamic Logistics Routing

• arxiv url: http://arxiv.org/abs/2512.18441v1
• Date: Sat, 20 Dec 2025 17:27:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.336167
• Title: A Distributed Hierarchical Spatio-Temporal Edge-Enhanced Graph Neural Network for City-Scale Dynamic Logistics Routing
• Title（参考訳）: 都市規模動的ロジスティックスルーティングのための分散型階層型時空間拡張グラフニューラルネットワーク
• Authors: Zihan Han, Lingran Meng, Jingwei Zhang,
• Abstract要約: 都市規模のロジスティクスルーティングは、都市道路網が急速に数千万のエッジと交通条件に成長するにつれて、ますます困難になっている。 従来の集中型ルーティングアルゴリズムとモノリシックグラフニューラルネットワーク(GNN)モデルは、限られたスケーラビリティ、高いレイテンシ、低リアルタイム適応性に悩まされている。 本稿では,超大型道路網上での動的ルーティングのための分散階層設計を提案する。
• 参考スコア（独自算出の注目度）: 4.8267586387192445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: City-scale logistics routing has become increasingly challenging as metropolitan road networks grow to tens of millions of edges and traffic conditions evolve rapidly under high-volume mobility demands. Conventional centralized routing algorithms and monolithic graph neural network (GNN) models suffer from limited scalability, high latency, and poor real-time adaptability, which restricts their effectiveness in large urban logistics systems. To address these challenges, this paper proposes a Distributed Hierarchical Spatio-Temporal Edge-Enhanced Graph Neural Network (HSTE-GNN) for dynamic routing over ultra-large road networks. The framework partitions the city-scale graph into regional subgraphs processed in parallel across distributed computing nodes, enabling efficient learning of localized traffic dynamics. Within each region, an edge-enhanced spatio-temporal module jointly models node states, dynamic edge attributes, and short-term temporal dependencies. A hierarchical coordination layer further aggregates cross-region representations through an asynchronous parameter-server mechanism, ensuring global routing coherence under high-frequency traffic updates. This distributed hierarchical design balances local responsiveness with global consistency, significantly improving scalability and inference efficiency. Experiments on real-world large-scale traffic datasets from Beijing and New York demonstrate that HSTE-GNN outperforms strong spatio-temporal baselines such as ST-GRAPH, achieving 34.9% lower routing delay, 14.7% lower MAPE, and 11.8% lower RMSE, while improving global route consistency by 7.3%. These results confirm that the proposed framework provides a scalable, adaptive, and efficient solution for next-generation intelligent transportation systems and large-scale logistics platforms.
• Abstract（参考訳）: 都市規模のロジスティクスルーティングは、大都市圏の道路網が数千万のエッジに成長し、交通条件が高ボリュームのモビリティ要求の下で急速に進化するにつれて、ますます困難になっている。 従来の集中型ルーティングアルゴリズムとモノリシックグラフニューラルネットワーク(GNN)モデルは、スケーラビリティの制限、高レイテンシ、低リアルタイム適応性に悩まされており、大規模な都市ロジスティクスシステムにおいてその有効性を制限している。 これらの課題に対処するために,超大規模道路網上の動的ルーティングのための分散階層型時空間グラフニューラルネットワーク(HSTE-GNN)を提案する。 このフレームワークは、都市規模のグラフを分散コンピューティングノード間で並列に処理された地域サブグラフに分割し、ローカライズされたトラフィックダイナミクスの効率的な学習を可能にする。 各領域において、エッジ強化時空間モジュールは、ノード状態、動的エッジ属性、短期時間依存性を共同でモデル化する。 階層的な調整層は、非同期パラメータサーバ機構を通じてクロスリージョン表現を集約し、高周波トラフィック更新の下でグローバルなルーティングコヒーレンスを確保する。 この分散階層設計は、局所的な応答性とグローバルな一貫性のバランスを保ち、スケーラビリティと推論効率を大幅に改善する。 北京とニューヨークからの現実の大規模トラフィックデータセットの実験では、HSTE-GNNはST-GRAPHのような時空間の強いベースラインを上回り、34.9%のルーティング遅延、14.7%のMAPE、11.8%のRMSEを達成し、グローバルなルート一貫性を7.3%改善している。 これらの結果は,次世代のインテリジェントトランスポートシステムと大規模ロジスティクスプラットフォームに対して,スケーラブルで適応的で効率的なソリューションが提案されていることを確認した。

関連論文リスト

• TGDT: A Temporal Graph-based Digital Twin for Urban Traffic Corridors [5.354266007520225]
  既存のディープラーニングモデルは、しばしば空間的な一般化性に欠け、複雑なアーキテクチャに依存し、リアルタイムのデプロイメントに苦労する。 本稿では,時間的畳み込みニューラルネットワークと注意グラフニューラルネットワークを統合したスケーラブルなフレームワークであるTGDTを提案する。
  論文  参考訳（メタデータ） (2025-04-25T01:28:32Z)
• TrafficKAN-GCN: Graph Convolutional-based Kolmogorov-Arnold Network for Traffic Flow Optimization [21.65543843942033]
  TrafficKAN-GCNは、Kolmogorov-Arnold Networks (KAN)とGraph Convolutional Networks (GCN)を組み合わせたハイブリッドディープラーニングフレームワークである。 提案手法をボルチモア都市圏の実際の交通データを用いて評価する。 我々の実験は、交通の流れを再分配し、渋滞を緩和し、フランシス・スコット・キーブリッジ崩壊のような破壊的な出来事に適応するフレームワークの能力を強調した。
  論文  参考訳（メタデータ） (2025-03-05T08:59:06Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network [39.65520262751766]
  我々は新しい交通予測フレームワーク-時空間グラフ拡散ネットワーク(ST-GDN)を開発した。 特にST-GDNは階層的に構造化されたグラフニューラルネットワークアーキテクチャであり、局所的な地域的な地理的依存関係だけでなく、グローバルな視点から空間的意味論も学習する。 複数の実生活トラフィックデータセットの実験では、ST-GDNは最先端のベースラインの異なるタイプよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2021-10-08T11:19:06Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。