論文の概要: Fusing Urban Structure and Semantics: A Conditional Diffusion Model for Cross-City OD Matrix Generation

• arxiv url: http://arxiv.org/abs/2605.00938v1
• Date: Fri, 01 May 2026 04:08:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.49724
• Title: Fusing Urban Structure and Semantics: A Conditional Diffusion Model for Cross-City OD Matrix Generation
• Title（参考訳）: 都市構造とセマンティックス:都市間OD行列生成のための条件拡散モデル
• Authors: Bin Chen, Zhuoya Meng, Fang Yang, Runkang Guo, Jingtao Ding, Yin Zhang, Chuan Ai, Zhengqiu Zhu,
• Abstract要約: 本研究では,一般化可能なOD行列生成のための構造拡張拡散モデルであるSEDANを提案する。 我々は意味情報と空間情報を共同でモデル化する。 米国都市の実際のODデータセットの実験では、SEDANは最先端のベースラインであるWEDANよりもRMSEを7.38%改善している。
• 参考スコア（独自算出の注目度）: 18.83736310991741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate modeling of commuting flows is important for urban governance, traffic planning, and resource allocation. However, the combined influence of individual intentions, geographic constraints, and social dynamics leads to considerable heterogeneity in commuting patterns, making it difficult to develop generation models that generalize across cities. To address this issue, we propose SEDAN, a Structure-Enhanced Diffusion model conditioned on Attributed Nodes for generalizable OD matrix generation. SEDAN models a city as an attributed graph. Each region is treated as a node with demographic and point-of-interest features, and commuting flows are modeled as weighted edges. Adjacency and distance matrices are incorporated to characterize spatial structure. Based on this representation, we design a fusion mechanism within SEDAN to jointly model semantic information and spatial information. Regional semantic attributes are used to model latent travel demand through graph-transformer-based node interactions, while spatial structure is injected into the generation process as explicit constraints. The adjacency matrix guides attention weights to strengthen interactions between neighboring regions. Meanwhile, the distance matrix serves as a diffusion condition to capture spatial proximity and travel impedance. The fusion of urban semantics and spatial constraints enables SEDAN to generate OD matrices that are both behaviorally plausible and geographically coherent. Experiments on real-world OD datasets from U.S. cities show that SEDAN achieves a 7.38\% improvement in RMSE over the state-of-the-art baseline, WEDAN. It also remains robust across heterogeneous urban scenarios and varying structural patterns. Our work provides an effective and generalizable solution for commuting OD matrix generation. The code is available at https://anonymous.4open.science/r/SEDAN.
• Abstract（参考訳）: 通勤フローの正確なモデリングは、都市ガバナンス、交通計画、資源配分にとって重要である。 しかし、個別の意図、地理的制約、社会的ダイナミクスの複合的な影響は通勤パターンにかなりの異質性をもたらすため、都市全体にわたって一般化された世代モデルを開発することは困難である。 そこで本研究では,分散ノード上に条件付き構造拡張拡散モデルであるSEDANを提案する。 SEDANは、都市を属性グラフとしてモデル化する。 各領域は人口統計学的特徴と関心点の特徴を持つノードとして扱われ、通勤フローは重み付きエッジとしてモデル化される。 空間構造を特徴付けるために、隣接行列と距離行列が組み込まれている。 この表現に基づいて,意味情報と空間情報を協調的にモデル化する融合機構をSEDAN内に設計する。 局所的セマンティック属性はグラフ変換器に基づくノード相互作用を通じて遅延移動需要をモデル化するために使用され、空間構造は明示的な制約として生成プロセスに注入される。 隣接行列は、隣り合う領域間の相互作用を強化するために注意重みを導く。 一方、距離行列は空間的近接と走行インピーダンスを捉える拡散条件として機能する。 都市意味論と空間制約の融合により、SEDANは行動学的に妥当で地理的に一貫性のあるOD行列を生成することができる。 米国都市の実際のODデータセットの実験では、SEDANは最先端のベースラインであるWEDANよりもRMSEを7.38倍改善している。 ヘテロジニアスな都市シナリオや様々な構造パターンをまたいでも頑丈である。 我々の研究は、OD行列生成を通勤するための効果的で一般化可能なソリューションを提供する。 コードはhttps://anonymous.4open.science/r/SEDANで公開されている。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Graph Convolutional Network With Pattern-Spatial Interactive and Regional Awareness for Traffic Forecasting [0.0]
  パターンと空間モジュールからなるパターン空間の対話型融合フレームワークを提案する。 空間モジュールでは,メッセージパッシングに基づくグラフ畳み込みネットワークを設計した。 このネットワークは、地域特性バンクを活用して、データ駆動型メッセージパッシングを再構築するように設計されている。
  論文  参考訳（メタデータ） (2025-08-30T14:39:02Z)
• Sat2Flow: A Structure-Aware Diffusion Framework for Human Flow Generation from Satellite Imagery [7.108993680156414]
  Origin-Destination (OD) フロー行列は、交通予測、インフラ計画、政策設計における基盤となる都市移動分析に不可欠である。 本稿では,衛星画像のみを入力として,構造的に整合したODフローを生成する潜在構造認識拡散に基づくフレームワークであるSat2Flowを提案する。 実世界の都市データセットによる実験結果から,Sat2Flowは物理ベースベースラインとデータ駆動ベースラインの両方を数値的精度で上回り,指数置換の下で経験的分布と空間構造を保存する。
  論文  参考訳（メタデータ） (2025-08-27T01:05:37Z)
• 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)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Complexity-aware Large Scale Origin-Destination Network Generation via Diffusion Model [24.582615553841396]
  Origin-Destination (OD) ネットワークは、市内の各地域から他の地域への人々の流れを推定する。 本稿では,ノードとエッジの条件付き結合確率分布を学習するために,ODネットワークの生成と拡散法の設計を提案する。
  論文  参考訳（メタデータ） (2023-06-08T02:02:55Z)
• Semantic-Fused Multi-Granularity Cross-City Traffic Prediction [17.020546413647708]
  本研究では,異なる粒度で融合した意味を持つ都市間における知識伝達を実現するためのセマンティック・フューズド・マルチグラニュラリティ・トランスファー・ラーニング・モデルを提案する。 本稿では,静的な空間依存を保ちながら,様々な意味を融合する意味融合モジュールを設計する。 STLモデルの有効性を検証するため、6つの実世界のデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-02-23T04:26:34Z)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)

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。