論文の概要: SATORIS-N: Spectral Analysis based Traffic Observation Recovery via Informed Subspaces and Nuclear-norm minimization

• arxiv url: http://arxiv.org/abs/2602.03138v1
• Date: Tue, 03 Feb 2026 05:45:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.270166
• Title: SATORIS-N: Spectral Analysis based Traffic Observation Recovery via Informed Subspaces and Nuclear-norm minimization
• Title（参考訳）: SATORIS-N:Informed Subspaceによるスペクトル解析に基づく交通観測と原子力の最小化
• Authors: Sampad Mohanty, Bhaskar Krishnamachari,
• Abstract要約: STORIS-Nは,周辺地域の情報空間の先行情報から部分的に観測された交通密度を推定するフレームワークである。 我々の貢献は、以前の特異部分空間情報による再構成を明示的に通知する、核ノルムのサブスペース対応半定プログラミング(SDP)の定式化である。
• 参考スコア（独自算出の注目度）: 4.303580795892996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic-density matrices from different days exhibit both low rank and stable correlations in their singular-vector subspaces. Leveraging this, we introduce SATORIS-N, a framework for imputing partially observed traffic-density by informed subspace priors from neighboring days. Our contribution is a subspace-aware semidefinite programming (SDP)} formulation of nuclear norm that explicitly informs the reconstruction with prior singular-subspace information. This convex formulation jointly enforces low rank and subspace alignment, providing a single global optimum and substantially improving accuracy under medium and high occlusion. We also study a lightweight implicit subspace-alignment} strategy in which matrices from consecutive days are concatenated to encourage alignment of spatial or temporal singular directions. Although this heuristic offers modest gains when missing rates are low, the explicit SDP approach is markedly more robust when large fractions of entries are missing. Across two real-world datasets (Beijing and Shanghai), SATORIS-N consistently outperforms standard matrix-completion methods such as SoftImpute, IterativeSVD, statistical, and even deep learning baselines at high occlusion levels. The framework generalizes to other spatiotemporal settings in which singular subspaces evolve slowly over time. In the context of intelligent vehicles and vehicle-to-everything (V2X) systems, accurate traffic-density reconstruction enables critical applications including cooperative perception, predictive routing, and vehicle-to-infrastructure (V2I) communication optimization. When infrastructure sensors or vehicle-reported observations are incomplete - due to communication dropouts, sensor occlusions, or sparse connected vehicle penetration-reliable imputation becomes essential for safe and efficient autonomous navigation.
• Abstract（参考訳）: 異なる時代の交通密度行列は、その特異ベクトル部分空間において低いランクと安定した相関を示す。 これを活用することで、近隣地域の情報サブスペースによる部分的に観測されたトラフィック密度を計算するためのフレームワークであるSATORIS-Nを導入する。 我々の貢献は、以前の特異部分空間情報による再構成を明示的に通知する、核ノルムのサブスペース対応半定計画(SDP)である。 この凸定式化は、低ランクとサブスペースアライメントを共同で実施し、単一の大域的最適性を提供し、中・高閉塞下での精度を大幅に向上させる。 また,空間的あるいは時間的特異方向のアライメントを促進するために,連続日数行列を連結した軽量な暗黙的部分配向戦略についても検討した。 このヒューリスティックなアプローチは、欠落率が低い場合には控えめな利得を提供するが、明示的なSDPアプローチは、大量のエントリが欠落している場合には、著しく堅牢である。 2つの実世界のデータセット(北京と上海)において、SATORIS-Nは、SoftImpute、IterativeSVD、統計学、さらにはディープラーニングベースラインなどの標準行列補完手法を高い閉塞レベルにおいて一貫して上回っている。 このフレームワークは、時間とともに特異部分空間がゆっくりと進化する他の時空間設定に一般化する。 インテリジェントな車両と車両間通信システム(V2X)の文脈では、正確な交通密度再構成により、協調認識、予測ルーティング、車両間通信最適化(V2I)といった重要な応用が可能になる。 インフラのセンサーや車両に報告された観測が不完全である場合 – 通信の低下、センサーの閉塞、あるいは疎結合な車両侵入の信頼性の高い計算は、安全で効率的な自律航法に不可欠である。

関連論文リスト

• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• A Pseudo Global Fusion Paradigm-Based Cross-View Network for LiDAR-Based Place Recognition [12.93382945887946]
  LiDARベースのPlace Recognition(LPR)は、Embodied Artificial Intelligence(AI)とAutonomous Drivingにおいて重要なタスクである。 既存のアプローチは、ユークリッド距離に基づく距離学習タスクへの位置認識を減らし、特徴空間の固有の構造やクラス内分散を無視している。 本稿では,これらの課題に対処する革新的な融合パラダイムに基づく,新しいクロスビューネットワークを提案する。
  論文  参考訳（メタデータ） (2025-08-12T13:12:48Z)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• STC-IDS: Spatial-Temporal Correlation Feature Analyzing based Intrusion Detection System for Intelligent Connected Vehicles [7.301018758489822]
  車両内通信トラフィック(STC-IDS)の時空間相関特性を用いた自動車侵入検出の新しいモデルを提案する。 具体的には、エンコーダ部では、空間的関係と時間的関係を同時に符号化する。 符号化された情報は検出器に渡され、強制的な空間的時間的注意特徴を生成し、異常分類を可能にする。
  論文  参考訳（メタデータ） (2022-04-23T04:22:58Z)
• STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention Network for Traffic Forecasting [7.232141271583618]
  非効率な時空間継手線形注意(SSTLA)と呼ばれる交通予測のための新しいディープラーニングモデルを提案する。 SSTLAは、全時間ノード間のグローバル依存を効率的に捉えるために、ジョイントグラフに線形注意を適用する。 実世界の2つの交通データセットであるイングランドとテンポラル7の実験は、我々のSTJLAが最先端のベースラインよりも9.83%と3.08%の精度でMAE測定を達成できることを示した。
  論文  参考訳（メタデータ） (2021-12-04T06:39:18Z)
• Low-Rank Autoregressive Tensor Completion for Spatiotemporal Traffic Data Imputation [4.9831085918734805]
  データ計算の欠如は長年の研究課題であり、現実世界のインテリジェント交通システムにとって重要な応用である。 テキストの時間変化を新たな正規化項として導入し,低ランク自動回帰テンソル補完(LATC)フレームワークを提案する。 本研究では,複数の実世界の交通データ集合について広範な数値実験を行い,LATCの有効性を実証した。
  論文  参考訳（メタデータ） (2021-04-30T12:00:57Z)

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。