論文の概要: An Empirical Survey and Benchmark of Learned Distance Indexes for Road Networks

• arxiv url: http://arxiv.org/abs/2602.04068v1
• Date: Tue, 03 Feb 2026 23:08:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.302868
• Title: An Empirical Survey and Benchmark of Learned Distance Indexes for Road Networks
• Title（参考訳）: 道路ネットワークにおける学習距離指標の実証調査とベンチマーク
• Authors: Gautam Choudhary, Libin Zhou, Yeasir Rayhan, Walid G. Aref,
• Abstract要約: 道路網における最短経路距離の計算は、ナビゲーションシステム、位置ベースサービス、空間分析における中核的な操作である。 最短距離クエリのクエリ処理を高速化するために,多数の距離インデックスが提案されている。 機械学習(ML)の進歩により、研究者は最短経路と距離クエリを効率的に答えるMLベースの距離インデックスを設計し、提案した。 本稿では,MLに基づく道路網上の距離指標について,学習時間,クエリ待ち時間,ストレージ,精度の4つの重要な側面に沿って評価した。
• 参考スコア（独自算出の注目度）: 4.738824512722185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The calculation of shortest-path distances in road networks is a core operation in navigation systems, location-based services, and spatial analytics. Although classical algorithms, e.g., Dijkstra's algorithm, provide exact answers, their latency is prohibitive for modern real-time, large-scale deployments. Over the past two decades, numerous distance indexes have been proposed to speed up query processing for shortest distance queries. More recently, with the advancement in machine learning (ML), researchers have designed and proposed ML-based distance indexes to answer approximate shortest path and distance queries efficiently. However, a comprehensive and systematic evaluation of these ML-based approaches is lacking. This paper presents the first empirical survey of ML-based distance indexes on road networks, evaluating them along four key dimensions: Training time, query latency, storage, and accuracy. Using seven real-world road networks and workload-driven query datasets derived from trajectory data, we benchmark ten representative ML techniques and compare them against strong classical non-ML baselines, highlighting key insights and practical trade-offs. We release a unified open-source codebase to support reproducibility and future research on learned distance indexes.
• Abstract（参考訳）: 道路網における最短経路距離の計算は、ナビゲーションシステム、位置ベースサービス、空間分析における中核的な操作である。 古典的なアルゴリズム、例えばDijkstraのアルゴリズムは正確な答えを提供するが、そのレイテンシは現代のリアルタイムで大規模なデプロイメントでは禁じられている。 過去20年間で、最短距離クエリのクエリ処理を高速化するために、多数の距離インデックスが提案されている。 最近では、機械学習(ML)の進歩に伴い、研究者は、最も近い経路と距離クエリを効率的に答えるMLベースの距離インデックスを設計、提案している。 しかし、これらのMLベースのアプローチの包括的で体系的な評価は欠如している。 本稿では,MLに基づく道路網上の距離指標について,学習時間,クエリ待ち時間,ストレージ,精度の4つの重要な側面に沿って評価した。 トラジェクトリデータから導出される7つの現実世界のロードネットワークとワークロード駆動クエリデータセットを使用して、10の代表的なMLテクニックをベンチマークし、強力な古典的非MLベースラインと比較し、重要な洞察と実用的なトレードオフを強調します。 我々は、再現性をサポートし、学習距離インデックスに関する将来の研究を支援するために、統一されたオープンソースコードベースをリリースする。

関連論文リスト

• Approximate Nearest Neighbour Search on Dynamic Datasets: An Investigation [20.409659920455955]
  近似k-Nearest Neighbour (ANN) 法は情報マイニングや大規模高次元データセットでの機械学習支援によく用いられる。 静的なデータセットを持つアプリケーションでは、ランタイム制約とデータセットプロパティを使用して、適切な操作特性を持つANNメソッドを経験的に選択することができる。 従来の評価手法は、インデックス構造を更新する際の計算コストや、インデックス更新の率とサイズを考慮していない。
  論文  参考訳（メタデータ） (2024-04-30T06:21:44Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• 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)
• Efficient Nearest Neighbor Language Models [114.40866461741795]
  非パラメトリックニューラルネットワークモデル(NLM)は、外部データストアを用いてテキストの予測分布を学習する。 比較性能を維持しながら、推論速度の最大6倍の高速化を実現する方法を示す。
  論文  参考訳（メタデータ） (2021-09-09T12:32:28Z)
• Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
  本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。 本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。 提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
  論文  参考訳（メタデータ） (2020-06-24T04:45:14Z)
• A Practical Index Structure Supporting Fr\'echet Proximity Queries Among Trajectories [1.9335262420787858]
  我々は、計算コストの高いメトリクスの下で、レンジと近隣クエリに$k$のスケーラブルなアプローチを提案する。 計量指標のクラスタリングに基づいて,軌跡数に線形な木構造を求める。 本研究では,多種多様な合成および実世界のデータセットに関する広範な実験により,本手法の有効性と有効性について分析する。
  論文  参考訳（メタデータ） (2020-05-28T04:12:43Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。