論文の概要: Generalising Travel Time Prediction To Varying Route Choices In Urban Networks

• arxiv url: http://arxiv.org/abs/2605.06918v1
• Date: Thu, 07 May 2026 20:29:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.606278
• Title: Generalising Travel Time Prediction To Varying Route Choices In Urban Networks
• Title（参考訳）: 都市ネットワークにおける経路選択に対する旅行時間予測の一般化
• Authors: Łukasz Gorczyca, Kacper Drozd, Michał Bujak, Rafał Kucharski,
• Abstract要約: 本稿では,経路選択の識別に成功し,正確なフローおよび走行時間予測を提供する汎用旅行時間予測器TTP(GenTTP)を提案する。 これは重要なギャップに対処する: 様々な経路割り当てをまたいで一般化する旅行時間予測モデルの欠如。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Previous methods that predict system-wide travel time, predominantly grounded in graph neural networks, remain limited to typical and recurring demand patterns. While they successfully predict future congestion following daily commute, they inherently approximate a single demand realisation and fail to capture varying route choices. In this work, we propose a Generalised Travel Time Predictor (GenTTP) that successfully differentiates route choices and offers accurate flow and travel time predictions. Our framework learns to uncover complex spatiotemporal traffic patterns and microscopic relationships between route choices and the resulting travel times. This addresses a critical gap: the lack of travel time prediction models that generalise across varying route assignments, where the same demand can produce substantially different network-wide outcomes depending on how travellers are distributed over available paths.
• Abstract（参考訳）: グラフニューラルネットワークに主に基礎を置いているシステム全体の走行時間を予測する従来の手法は、典型的かつ繰り返し発生する需要パターンに限られていた。 彼らは毎日の通勤の後、将来の渋滞を予測することに成功したが、本質的には単一需要の実現を近似し、様々な経路の選択を捉えられなかった。 本研究では,経路選択の識別に成功し,正確なフローおよび走行時間予測を提供する汎用旅行時間予測器(GenTTP)を提案する。 筆者らは,複雑な時空間的交通パターンと経路選択と結果として生じる走行時間との微視的関係を明らかにすることを学ぶ。 これは重要なギャップに対処する: 様々な経路割り当てをまたいで一般化する旅行時間予測モデルの欠如。

関連論文リスト

• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Temporal Graph Learning Recurrent Neural Network for Traffic Forecasting [27.20703077756038]
  これらの問題に対処するため,TGLRN(Temporal Graph Learning Recurrent Neural Network)を提案する。 より正確には、時系列の性質を効果的にモデル化するために、リカレントニューラルネットワーク(RNN)を活用し、各ステップでグラフを動的に構築する。 実世界の4つのベンチマークデータセットの実験結果から, TGLRNの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-04T19:08:40Z)
• HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
  HPNetは、新しい動的軌道予測手法である。 逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。 私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
  論文  参考訳（メタデータ） (2024-04-09T14:42:31Z)
• 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)
• Multitask Weakly Supervised Learning for Origin Destination Travel Time Estimation [8.531695291898815]
  本論文は,道路網とOD旅行時間とを組み合わせて推定し始める。 現在の経路の共発生確率を最大化する新たな経路回復関数が提案されている。 我々は、Xi'anとChengduで、幅広い現実世界のタクシーのデータセットの実験を行っている。
  論文  参考訳（メタデータ） (2023-01-13T00:11:56Z)
• Interpretable Machine Learning Models for Modal Split Prediction in Transportation Systems [0.43012765978447565]
  交通ネットワークにおけるモーダル分割予測は、交通渋滞の管理と交通サービスの信頼性向上にネットワークオペレーターをサポートする可能性がある。 本研究では,高次元の旅行時間データを用いて,旅行者の時間差予測の問題に焦点をあてる。 変数選択に様々な正則化手法を用いて、オーバーフィッティングを防止し、多重線形性の問題を解決する。
  論文  参考訳（メタデータ） (2022-03-27T02:59:00Z)
• Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
  歩行者の立ち止まりと予測の新たな課題を紹介します。 都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。 歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
  論文  参考訳（メタデータ） (2022-03-04T18:39:31Z)
• STAD: Spatio-Temporal Adjustment of Traffic-Oblivious Travel-Time Estimation [1.1731001328350983]
  本稿では,出先,目的地,出発時刻の形式で表現された旅行要求に対して,旅行時間推定を調節するシステムSTADを提案する。 STADは、機械学習とスパーストリップデータを使用して、基本的なルーティングエンジンの欠陥を学習する。 Doha、New York City、Portoの実際の旅行データセットの実験では、最初の2都市では14%、後者では29%の絶対誤差が減少している。
  論文  参考訳（メタデータ） (2020-06-08T09:47:55Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• Neural Networks Model for Travel Time Prediction Based on ODTravel Time Matrix [0.0]
  2つのニューラルネットワークモデル、すなわち多層パーセプトロン(MLP)と長短期モデル(LSTM)を開発し、忙しい経路のリンク移動時間を予測する。 実験の結果,両モデルともほぼ正確な予測が可能であることがわかった。
  論文  参考訳（メタデータ） (2020-04-08T15:01:13Z)

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。