論文の概要: DiSGMM: A Method for Time-varying Microscopic Weight Completion on Road Networks

• arxiv url: http://arxiv.org/abs/2603.29837v1
• Date: Tue, 31 Mar 2026 14:58:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.733753
• Title: DiSGMM: A Method for Time-varying Microscopic Weight Completion on Road Networks
• Title（参考訳）: DiSGMM: 道路網上の時間変化型微視的ウェイト補完法
• Authors: Yan Lin, Jilin Hu, Shengnan Guo, Christian S. Jensen, Youfang Lin, Huaiyu Wan,
• Abstract要約: 本研究は, 時間変化型微視的軽量化の問題について考察する。 疎度を考慮した埋め込みと疎度な既知重みを組み合わせたDiSGMMを提案する。 2つの実世界のデータセットの実験により、DiSGMMは最先端の手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 43.63398871514831
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Microscopic road-network weights represent fine-grained, time-varying traffic conditions obtained from individual vehicles. An example is travel speeds associated with road segments as vehicles traverse them. These weights support tasks including traffic microsimulation and vehicle routing with reliability guarantees. We study the problem of time-varying microscopic weight completion. During a time slot, the available weights typically cover only some road segments. Weight completion recovers distributions for the weights of every road segment at the current time slot. This problem involves two challenges: (i) contending with two layers of sparsity, where weights are missing at both the network layer (many road segments lack weights) and the segment layer (a segment may have insufficient weights to enable accurate distribution estimation); and (ii) achieving a weight distribution representation that is closed-form and can capture complex conditions flexibly, including heavy tails and multiple clusters. To address these challenges, we propose DiSGMM that combines sparsity-aware embeddings with spatiotemporal modeling to leverage sparse known weights alongside learned segment properties and long-range correlations for distribution estimation. DiSGMM represents distributions of microscopic weights as learnable Gaussian mixture models, providing closed-form distributions capable of capturing complex conditions flexibly. Experiments on two real-world datasets show that DiSGMM can outperform state-of-the-art methods.
• Abstract（参考訳）: 微視的道路網重みは、個々の車両から得られる細粒で時間的に変化する交通条件を表す。 例えば、車両が横断するときに道路セグメントに関連付けられた走行速度である。 これらの重みは、交通のマイクロシミュレートや、信頼性を保証する車両のルーティングといったタスクをサポートする。 本研究は, 時間変化型微視的軽量化の問題について考察する。 時間帯において、利用可能な重量は、通常、いくつかの道路区間のみをカバーする。 ウェイトコンプリートは、現在の時間帯における各道路セグメントの重みの分布を復元する。 この問題には2つの課題がある。 一 ネットワーク層(多くの道路セグメントに重みがない)とセグメント層(正確な分布推定を可能にするために重みが不十分な部分)の両面において重みが欠落している2層の疎度と競合すること。 2) 閉形式で重み付きテールや複数のクラスタを含む複雑な条件を柔軟にキャプチャできる重み分布表現を実現する。 これらの課題に対処するために,空間性を考慮した埋め込みと時空間モデルを組み合わせたDiSGMMを提案する。 DiSGMMは、顕微鏡重量の分布を学習可能なガウス混合モデルとして表現し、複雑な条件を柔軟に捉えることができる閉形式分布を提供する。 2つの実世界のデータセットの実験により、DiSGMMは最先端の手法より優れていることが示された。

関連論文リスト

• Gradient-Informed Monte Carlo Fine-Tuning of Diffusion Models for Low-Thrust Trajectory Design [0.0]
  循環三体問題における宇宙船軌道のグローバル探索は、複雑な客観的な景観と多くの局所的なミニマによって特徴づけられる。 局所最適解の近傍でサポートされた非正規分布からのサンプリングとして問題を定式化することは、連鎖モンテカルロ法をデプロイする機会を与える。 本研究では,従来の自己教師付き拡散モデル微調整フレームワークを拡張し,勾配インフォームドマルコフ連鎖モンテカルロを用いた。
  論文  参考訳（メタデータ） (2025-12-09T15:21:11Z)
• MSGAT-GRU: A Multi-Scale Graph Attention and Recurrent Model for Spatiotemporal Road Accident Prediction [0.0]
  局所的空間依存と長距離空間依存をキャプチャするグラフアテンション・リカレントモデルMSGAT-GRUを提案する。 ハイブリッド北京事故データセットでは、MSGAT-GRUは0.334のRMSEと0.878のF1スコアを達成し、一貫して強いベースラインを上回っている。 これらの結果は、MSGAT-GRUをインテリジェントトランスポートシステムのスケーラブルで一般化可能なモデルとして位置づけている。
  論文  参考訳（メタデータ） (2025-09-22T14:05:23Z)
• TRANSIT your events into a new mass: Fast background interpolation for weakly-supervised anomaly searches [1.024113475677323]
  TRansport Adversarial Network for Smooth InTerpolation (TRANSIT) と呼ばれる条件付き連続データモーフィングの新しいモデルを提案する。 我々はLHCの弱い教師付き検索のための背景データテンプレートを作成するためにこれを適用した。 このモデルは特徴の非線形質量相関を捉え、最先端のトランスポートベースのテンプレートジェネレータと比較して、競合する異常感度を提供するテンプレートを生成する。
  論文  参考訳（メタデータ） (2025-03-06T11:39:07Z)
• 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)
• Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
  道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。 本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。 カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
  論文  参考訳（メタデータ） (2024-04-11T10:26:40Z)
• Learning to Re-weight Examples with Optimal Transport for Imbalanced Classification [74.62203971625173]
  不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。 不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。 本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
  論文  参考訳（メタデータ） (2022-08-05T01:23:54Z)
• Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
  Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
  論文  参考訳（メタデータ） (2022-03-11T09:46:22Z)
• Coordinated Random Access for Industrial IoT With Correlated Traffic By Reinforcement-Learning [11.269650322296968]
  本稿では,産業用モノのインターネット(IIoT)シナリオを対象としたランダムアクセス方式を提案する。 タイムはフレームに分割され、それぞれスロットに分割され、各MTDは、MTDと現在の再送信数の両方に固有の確率密度関数(PDF)を持つ1つのスロットをランダムに選択する。 ALOHA と min-max の相互相関ランダムアクセス方式を比較し,本手法がトラフィック強度を適度に高め,高いスループットを実現することを示す。
  論文  参考訳（メタデータ） (2021-09-17T07:45:39Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)

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。