論文の概要: Urban Vibrancy Embedding and Application on Traffic Prediction

• arxiv url: http://arxiv.org/abs/2602.21232v1
• Date: Sat, 07 Feb 2026 04:34:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 07:21:25.667895
• Title: Urban Vibrancy Embedding and Application on Traffic Prediction
• Title（参考訳）: 都市ビブレンシー埋め込みと交通予測への応用
• Authors: Sumin Han, Jisun An, Dongman Lee,
• Abstract要約: 都市活力は都市空間内の動的な人間の活動を反映している。 本研究では,リアルタイムな浮遊人口データから都市ビブランシーの埋め込みを導出する手法を提案する。
• 参考スコア（独自算出の注目度）: 3.6665993398516634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban vibrancy reflects the dynamic human activity within urban spaces and is often measured using mobile data that captures floating population trends. This study proposes a novel approach to derive Urban Vibrancy embeddings from real-time floating population data to enhance traffic prediction models. Specifically, we utilize variational autoencoders (VAE) to compress this data into actionable embeddings, which are then integrated with long short-term memory (LSTM) networks to predict future embeddings. These are subsequently applied in a sequence-to-sequence framework for traffic forecasting. Our contributions are threefold: (1) We use principal component analysis (PCA) to interpret the embeddings, revealing temporal patterns such as weekday versus weekend distinctions and seasonal patterns; (2) We propose a method that combines VAE and LSTM, enabling forecasting dynamic urban knowledge embedding; and (3) Our approach improves accuracy and responsiveness in traffic prediction models, including RNN, DCRNN, GTS, and GMAN. This study demonstrates the potential of Urban Vibrancy embeddings to advance traffic prediction and offer a more nuanced analysis of urban mobility.
• Abstract（参考訳）: 都市における活力は、都市空間内の動的な人間の活動を反映し、しばしば浮遊人口の傾向を捉えた移動データを用いて測定される。 本研究では,実時間浮遊人口データから都市ビブランシーの埋め込みを導出し,交通予測モデルを強化する手法を提案する。 具体的には、変動オートエンコーダ(VAE)を用いて、これらのデータを動作可能な埋め込みに圧縮し、その後、長期記憶(LSTM)ネットワークと統合して将来の埋め込みを予測する。 その後、トラフィック予測のためのシーケンス・ツー・シーケンス・フレームワークに適用される。 我々は,(1)主成分分析(PCA)を用いて,平日と週末の区別や季節パターンなどの時間的パターンを明らかにし,(2)VAEとLSTMを組み合わせることで,都市内における動的知識の埋め込みを予測し,(3)RNN,DCRNN,GTS,GMANなどの交通予測モデルの精度と応答性を向上させる手法を提案する。 本研究は,交通予測を推し進め,都市移動のより微妙な分析を行うため,都市ビブランシー埋設の可能性を示すものである。

関連論文リスト

• Deep Learning-driven Mobile Traffic Measurement Collection and Analysis [0.43512163406552007]
  本稿では,空間的・時間的領域において,深層学習(DL)技術の強力な階層的特徴学習能力を利用する。 そこで我々は,都市規模の交通分析と予測のためのソリューションを開発した。
  論文  参考訳（メタデータ） (2024-10-14T06:53:45Z)
• Urban traffic analysis and forecasting through shared Koopman eigenmodes [5.207485728774798]
  データ量の多い都市における交通流の予測は、限られた歴史的データのために困難である。 データ豊かな都市に共通する周期パターンを同定することで、伝達学習を活用する。 この方法は、交通パターンの一般的な固有モード(アーバンハートビート)を明らかにし、それらをデータ共有都市に転送する。
  論文  参考訳（メタデータ） (2024-09-07T06:24:50Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• 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)
• Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
  不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。 複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。 モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
  論文  参考訳（メタデータ） (2023-08-11T13:35:52Z)
• 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)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)
• An Effective Dynamic Spatio-temporal Framework with Multi-Source Information for Traffic Prediction [0.22940141855172028]
  提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度を約3～7%向上する。 実験の結果,提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度が約3～7%向上した。
  論文  参考訳（メタデータ） (2020-05-08T14:23:52Z)

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。