論文の概要: MoDE-Boost: Boosting Shared Mobility Demand with Edge-Ready Prediction Models
- arxiv url: http://arxiv.org/abs/2602.16573v1
- Date: Wed, 18 Feb 2026 16:18:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-19 15:58:30.64746
- Title: MoDE-Boost: Boosting Shared Mobility Demand with Edge-Ready Prediction Models
- Title（参考訳）: MoDE-Boost:エッジ対応予測モデルによる共有モビリティ向上
- Authors: Antonios Tziorvas, George S. Theodoropoulos, Yannis Theodoridis,
- Abstract要約: 交通需要予測は、出現する空間的および時間的需要パターンを特定するための重要な中間指標となる。
そこで本研究では, 階層化モデルと回帰モデルという2つのモデルバリエーションを提案し, それぞれが時間的水平方向の需要予測を生成できることを示した。
我々の全体的なアプローチは、時間的特徴と文脈的特徴を効果的に統合し、正確な予測を可能にします。
- 参考スコア（独自算出の注目度）: 0.688204255655161
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Urban demand forecasting plays a critical role in optimizing routing, dispatching, and congestion management within Intelligent Transportation Systems. By leveraging data fusion and analytics techniques, traffic demand forecasting serves as a key intermediate measure for identifying emerging spatial and temporal demand patterns. In this paper, we tackle this challenge by proposing two gradient boosting model variations, one for classiffication and one for regression, both capable of generating demand forecasts at various temporal horizons, from 5 minutes up to one hour. Our overall approach effectively integrates temporal and contextual features, enabling accurate predictions that are essential for improving the efficiency of shared (micro-) mobility services. To evaluate its effectiveness, we utilize open shared mobility data derived from e-scooter and e-bike networks in five metropolitan areas. These real-world datasets allow us to compare our approach with state-of-the-art methods as well as a Generative AI-based model, demonstrating its effectiveness in capturing the complexities of modern urban mobility. Ultimately, our methodology offers novel insights on urban micro-mobility management, helping to tackle the challenges arising from rapid urbanization and thus, contributing to more sustainable, efficient, and livable cities.
- Abstract（参考訳）: 都市需要予測は、インテリジェントトランスポーテーションシステムにおけるルーティング、ディスパッチ、混雑管理の最適化において重要な役割を担っている。
データ融合と分析技術を活用することで、交通需要予測は、出現する空間的および時間的需要パターンを特定するための重要な中間指標となる。
本稿では,各時間帯における需要予測を5分から1時間に短縮できる2つのモデル変動(分類用と回帰用)を提案することで,この問題に対処する。
我々の総合的なアプローチは、時間的・文脈的な特徴を効果的に統合し、共有(マイクロ)モビリティサービスの効率向上に不可欠な正確な予測を可能にする。
提案手法の有効性を評価するために,5大都市圏におけるe-scooterとe-bikeネットワークから得られたオープン共有モビリティデータを利用する。
これらの実世界のデータセットは、私たちのアプローチを最先端の手法やジェネレーティブAIベースのモデルと比較し、現代の都市移動の複雑さを捉える効果を実証します。
最終的に、我々の方法論は、都市部のマイクロモビリティ管理に関する新たな洞察を提供し、都市化の急激な課題への取り組みを支援し、より持続的で、効率的で、自由な都市に寄与する。
関連論文リスト
- Traffic and Mobility Optimization Using AI: Comparative Study between Dubai and Riyadh [0.0]
我々は、交通と移動に関する問題とその住民の感情への影響を理解するためにAIをどのように利用できるかを探る。
このアプローチは、リアルタイムトラフィックデータと地理的に位置付けられた感情分析を組み合わせることで、都市移動計画に対する包括的でダイナミックなアプローチを提供する。
論文 参考訳（メタデータ） (2025-05-15T15:07:00Z) - Learning Universal Human Mobility Patterns with a Foundation Model for Cross-domain Data Fusion [11.332722237426987]
ユニバーサルな人体移動のための基盤モデルフレームワークを提案する。
制限に対処するために、クロスドメインデータ融合と大きな言語モデルを活用します。
我々のフレームワークはドメイン転送技術による適応性を実証する。
論文 参考訳（メタデータ） (2025-03-20T01:41:28Z) - Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。
次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。
20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
論文 参考訳（メタデータ） (2025-01-20T07:12:40Z) - A Survey of World Models for Autonomous Driving [55.520179689933904]
自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。
世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。
今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
論文 参考訳（メタデータ） (2025-01-20T04:00:02Z) - How Cars Move: Analyzing Driving Dynamics for Safer Urban Traffic [12.414957984956043]
PriorMotionは、動的解析を駆動することで、運動パターンを体系的に発見するように設計されたデータ統合フレームワークである。
提案手法は,都市交通の空間的時間的傾向を捉えるために,マルチスケールな経験的観察とカスタマイズされた分析ツールを組み合わせる。
論文 参考訳（メタデータ） (2024-12-05T09:56:24Z) - ST-MoE-BERT: A Spatial-Temporal Mixture-of-Experts Framework for Long-Term Cross-City Mobility Prediction [6.0588503913405045]
我々はST-MoE-BERTと呼ばれる人間の移動パターンを予測する頑健な手法を提案する。
本手法は,Mixture-of-ExpertsアーキテクチャとBERTモデルを統合し,複雑な移動力学を捉える。
本稿では,GEO-BLEUおよびDTWにおける提案手法の有効性について述べる。
論文 参考訳（メタデータ） (2024-10-18T00:32:18Z) - A Predictive and Optimization Approach for Enhanced Urban Mobility Using Spatiotemporal Data [0.0]
本研究では,機械学習アルゴリズムと実交通情報を組み合わせた都市移動性向上手法を提案する。
ニューヨーク市の黄色いタクシー旅行のデータを用いて,旅行時間と渋滞解析の予測モデルを構築した。
本研究は、高度データ駆動方式による都市渋滞の低減と交通効率の向上を目的とした継続的な取り組みに寄与する。
論文 参考訳（メタデータ） (2024-10-07T16:16:49Z) - COLA: Cross-city Mobility Transformer for Human Trajectory Simulation [44.157114416533915]
モデル非依存転送フレームワークを用いた都市間mObiLity trAnsformer (COLA) を開発した。
COLAはトランスフォーマーを、都市固有の特性のためのプライベートモジュールと、都市・ユニバーサルモビリティパターンのための共有モジュールに分割する。
実装された都市間ベースラインは,その優位性と有効性を示している。
論文 参考訳（メタデータ） (2024-03-04T07:45:29Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - Language-Guided Traffic Simulation via Scene-Level Diffusion [46.47977644226296]
本稿では,シーンレベルの条件拡散モデルであるCTG++について述べる。
まず,現実的で制御可能なトラフィックを生成する時間的バックボーンを備えたシーンレベルの拡散モデルを提案する。
次に、大きな言語モデル(LLM)を用いて、ユーザクエリを、拡散モデルをクエリに準拠した生成に導く損失関数に変換する。
論文 参考訳（メタデータ） (2023-06-10T05:20:30Z)
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。