論文の概要: MixTTE: Multi-Level Mixture-of-Experts for Scalable and Adaptive Travel Time Estimation

• arxiv url: http://arxiv.org/abs/2601.02943v1
• Date: Tue, 06 Jan 2026 11:40:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.910855
• Title: MixTTE: Multi-Level Mixture-of-Experts for Scalable and Adaptive Travel Time Estimation
• Title（参考訳）: MixTTE: スケーラブルで適応的な旅行時間推定のためのマルチレベルミックス・オブ・エクササイズ
• Authors: Wenzhao Jiang, Jindong Han, Ruiqian Han, Hao Liu,
• Abstract要約: 本稿では,リンクレベルのモデリングと産業用ルートレベルのTTEシステムを統合する,スケーラブルで適応的なフレームワークを提案する。 我々は、不均一なトラフィックパターンを扱うために、安定なグラフ混在ネットワークを構築した。 実世界のデータセットの実験により、MixTTEは7つのベースラインと比較して予測エラーを大幅に削減する。
• 参考スコア（独自算出の注目度）: 10.549493962440804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate Travel Time Estimation (TTE) is critical for ride-hailing platforms, where errors directly impact user experience and operational efficiency. While existing production systems excel at holistic route-level dependency modeling, they struggle to capture city-scale traffic dynamics and long-tail scenarios, leading to unreliable predictions in large urban networks. In this paper, we propose \model, a scalable and adaptive framework that synergistically integrates link-level modeling with industrial route-level TTE systems. Specifically, we propose a spatio-temporal external attention module to capture global traffic dynamic dependencies across million-scale road networks efficiently. Moreover, we construct a stabilized graph mixture-of-experts network to handle heterogeneous traffic patterns while maintaining inference efficiency. Furthermore, an asynchronous incremental learning strategy is tailored to enable real-time and stable adaptation to dynamic traffic distribution shifts. Experiments on real-world datasets validate MixTTE significantly reduces prediction errors compared to seven baselines. MixTTE has been deployed in DiDi, substantially improving the accuracy and stability of the TTE service.
• Abstract（参考訳）: 正確な旅行時間推定(TTE)は、エラーがユーザーエクスペリエンスと運用効率に直接影響を及ぼすライドシェアリングプラットフォームにとって重要である。 既存の生産システムは、全体的な経路レベルの依存性モデリングにおいて優れているが、都市規模の交通動態やロングテールのシナリオを捉えるのに苦労しており、大都市ネットワークにおける信頼性の低い予測につながっている。 本稿では,産業用ルートレベルのTTEシステムとリンクレベルのモデリングを相乗的に統合する,スケーラブルで適応的なフレームワークである \model を提案する。 具体的には,大規模道路網を横断するグローバルトラフィックの動的依存性を効率的に捉えるために,時空間的外部注意モジュールを提案する。 さらに,不均一なトラフィックパターンを推論効率を保ちながら処理するための安定グラフ混在ネットワークを構築した。 さらに、動的トラフィック分散シフトへのリアルタイムかつ安定した適応を可能にするために、非同期インクリメンタル学習戦略をカスタマイズする。 実世界のデータセットの実験により、MixTTEは7つのベースラインと比較して予測エラーを大幅に削減する。 MixTTEはDiDiにデプロイされ、TTEサービスの精度と安定性が大幅に向上した。

関連論文リスト

• Which Deep Learner? A Systematic Evaluation of Advanced Deep Forecasting Models Accuracy and Efficiency for Network Traffic Prediction [0.0]
  本研究は,12種類の高度なTSFモデルを系統的に同定し,評価する。 時間、メモリ、エネルギの観点から、パフォーマンス、異常、データギャップ、外部要因、データ効率、リソース効率を評価する。
  論文  参考訳（メタデータ） (2026-01-06T03:58:57Z)
• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving [51.47621083057114]
  SOLVEは、ビジョンランゲージモデルとエンド・ツー・エンド(E2E)モデルを相乗化して自動運転車の計画を強化する革新的なフレームワークである。 提案手法は,VLMとE2Eコンポーネント間の包括的インタラクションを実現するために,共有ビジュアルエンコーダによる機能レベルでの知識共有を重視している。
  論文  参考訳（メタデータ） (2025-05-22T15:44:30Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• 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)
• 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)
• Urban Traffic Forecasting with Integrated Travel Time and Data Availability in a Conformal Graph Neural Network Framework [0.6554326244334868]
  最先端のモデルは、可能な限り最良の方法でデータを考えるのに苦労することが多い。 本稿では,駅間の移動時間をグラフニューラルネットワークアーキテクチャの重み付き隣接行列に組み込む新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-07-17T01:11:07Z)
• Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction [24.26429523848735]
  急速な都市化は交通渋滞を著しくエスカレートさせ、高度な渋滞予測サービスの必要性を浮き彫りにした。 本稿では,CP-MoE(Congestion Prediction Mixture-of-Experts)を提案する。 CP-MoEは、旅行時間推定システムの精度と信頼性を向上させるため、DiDiに展開されている。
  論文  参考訳（メタデータ） (2024-06-14T12:57:17Z)
• 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)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。