論文の概要: Unveiling Stochasticity: Universal Multi-modal Probabilistic Modeling for Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2604.16084v1
• Date: Fri, 17 Apr 2026 14:10:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.948542
• Title: Unveiling Stochasticity: Universal Multi-modal Probabilistic Modeling for Traffic Forecasting
• Title（参考訳）: 交通予測のためのユニバーサルマルチモーダル確率モデル
• Authors: Weijiang Xiong, Robert Fonod, Nikolas Geroliminis,
• Abstract要約: 本稿では,既存のモデルを確率的予測子に変換するエレガントで普遍的なアプローチを提案する。 複数のトラフィックデータセットの実験は、我々のアプローチが古典的なモデルアーキテクチャから近代的なモデルアーキテクチャへと一般化していることを示している。 実際の都市交通ネットワークに関するより詳細な研究を行い,データ品質の不確実性の影響について検討した。
• 参考スコア（独自算出の注目度）: 3.268970214362015
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Traffic forecasting is a challenging spatio-temporal modeling task and a critical component of urban transportation management. Current studies mainly focus on deterministic predictions, with limited considerations on the uncertainty and stochasticity in traffic dynamics. Therefore, this paper proposes an elegant yet universal approach that transforms existing models into probabilistic predictors by replacing only the final output layer with a novel Gaussian Mixture Model (GMM) layer. The modified model requires no changes to the training pipeline and can be trained using only the Negative Log-Likelihood (NLL) loss, without any auxiliary or regularization terms. Experiments on multiple traffic datasets show that our approach generalizes from classic to modern model architectures while preserving deterministic performance. Furthermore, we propose a systematic evaluation procedure based on cumulative distributions and confidence intervals, and demonstrate that our approach is considerably more accurate and informative than unimodal or deterministic baselines. Finally, a more detailed study on a real-world dense urban traffic network is presented to examine the impact of data quality on uncertainty quantification and to show the robustness of our approach under imperfect data conditions. Code available at https://github.com/Weijiang-Xiong/OpenSkyTraffic
• Abstract（参考訳）: 交通予測は時空間モデリングの課題であり、都市交通管理の重要な要素である。 最近の研究は主に決定論的予測に焦点を当てており、交通力学における不確実性と確率性について限定的な考察がなされている。 そこで本研究では,既存のモデルから確率予測器へと変換するエレガントで普遍的なアプローチを提案し,最終的な出力層のみを新しいガウス混合モデル(GMM)層に置き換える。 修正されたモデルでは、トレーニングパイプラインの変更は必要とせず、補助的あるいは正規化の条件なしで、負のログライクリーフ(NLL)損失のみを使用してトレーニングすることができる。 複数のトラフィックデータセットの実験により、我々のアプローチは決定論的性能を保ちながら、古典的なモデルアーキテクチャから近代的なモデルアーキテクチャへと一般化することを示した。 さらに,累積分布と信頼区間に基づく体系的評価手法を提案し,本手法が一助的あるいは決定論的ベースラインよりもはるかに正確かつ情報的であることを実証した。 最後に,データ品質が不確実な定量化に与える影響を検証し,不完全なデータ条件下でのアプローチの堅牢性を示すために,実世界の都市交通ネットワークについてより詳細な研究を行った。 https://github.com/Weijiang-Xiong/OpenSkyTraffic

関連論文リスト

• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• PhysVarMix: Physics-Informed Variational Mixture Model for Multi-Modal Trajectory Prediction [0.0]
  軌道予測に固有の多モード性に対処するために,学習ベースと物理ベースの制約を統合する新しいハイブリッドアプローチを提案する。 本フレームワークは,セクター固有の境界条件とモデル予測制御(MPC)に基づく平滑化による物理リアリズムを取り入れている。 われわれのアプローチは、現実の都市環境の不確実性をナビゲートするための堅牢でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-07-25T22:45:42Z)
• 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)
• A Bayesian approach to quantifying uncertainties and improving generalizability in traffic prediction models [0.0]
  本稿では,高一般化性を有する交通予測の不確実性を考慮したベイズ型リカレントニューラルネットワークフレームワークを提案する。 正規化は、モデルの複雑さを制御することによって、ディープニューラルネットワークのトレーニングプロセスを変化させることを示す。 特に交通管理アプリケーションでは,複数箇所にわたる交通状況の予測が目的である。
  論文  参考訳（メタデータ） (2023-07-12T06:23:31Z)
• FloMo: Tractable Motion Prediction with Normalizing Flows [0.0]
  ノイズサンプルと将来の動き分布の正規化フローによる密度推定問題として動作予測をモデル化する。 我々のモデルはFloMoと呼ばれ、単一のネットワークパスで確率を計算でき、最大推定で直接訓練することができる。 提案手法は,3つの一般的な予測データセットにおいて最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-03-05T11:35:27Z)

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。