論文の概要: Data-driven transport modelling without overfit
- arxiv url: http://arxiv.org/abs/2605.08801v1
- Date: Sat, 09 May 2026 08:46:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.893744
- Title: Data-driven transport modelling without overfit
- Title（参考訳）: 過度に適合しないデータ駆動トランスポートモデリング
- Abstract要約: マクロ・トランスポート・モデリングは,公共政策の介入が提案された後,交通の流れを予測することを目的としている。
伝統的に、輸送モデルの構築は人口の社会経済的特性の複雑な理解に依存してきた。
本稿では,トラフィック数に基づく目的関数を持つデータ駆動型モデリングプロトコルを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Macroscopic transport modelling aims to predict traffic flows after proposed public policy interventions, such as a new road or railway section or a temporary road closure. As such, it is a vital step in infrastructure planning and development. Traditionally, building a transport model has relied on complex understanding of socio-economic characteristics of the population requiring expensive data collection via surveys, which are prone to biases. Previous numerical frameworks to optimize transport models to fit observed traffic flows are not easily-interpretable and can lead to overfit. We present here an alternative: a data-driven modelling protocol with objective function based on traffic counts, which can be nowadays cheaply and reliably obtained; explainable model weights; and a controlled path to increase model complexity and accuracy. We demonstrate our approach on several toy and realistic examples, and suggest ways to generalize to multimodal systems including public transport.
- Abstract（参考訳）: マクロ・トランスポート・モデリングは、新しい道路や鉄道区間、一時的な道路閉鎖など、公共政策の介入が提案された後、交通の流れを予測することを目的としている。
そのため、インフラの計画と開発において重要なステップである。
伝統的に、輸送モデルの構築は、調査による高価なデータ収集を必要とする人口の社会経済的特性の複雑な理解に依存してきた。
観測されたトラフィックフローに適合するようにトランスポートモデルを最適化する従来の数値フレームワークは、容易に解釈できないため、過度に適合する可能性がある。
本稿では,従来より安価で信頼性の高いトラフィック数に基づくデータ駆動型モデリングプロトコル,説明可能なモデルウェイト,モデルの複雑さと精度を高めるための制御経路を提案する。
我々は,いくつかのおもちゃや現実的な例にアプローチを示し,公共交通機関を含むマルチモーダルシステムに一般化する方法を提案する。
関連論文リスト
- A Survey and Benchmarking of Spatial-Temporal Traffic Data Imputation Models [26.91571883554539]
交通データ計算は、インテリジェント交通システムにおいて重要な前処理ステップである。
計算モデルの大幅な進歩にもかかわらず、実用的な応用のためのモデル選択と開発は依然として困難である。
本稿では,現実の交通データ損失シナリオを体系的にカタログ化した,交通データ不足パターンと計算モデルのための実践指向手法を提案する。
論文 参考訳（メタデータ） (2024-12-06T02:47:54Z) - Diffusion-Based Environment-Aware Trajectory Prediction [3.1406146587437904]
自動運転車の安全かつ効率的な運転には、交通参加者の将来の軌跡を予測する能力が不可欠である。
本稿では,多エージェント軌道予測のための拡散モデルを提案する。
このモデルは、交通参加者と環境の間の複雑な相互作用を捉え、データのマルチモーダルな性質を正確に学習することができる。
論文 参考訳（メタデータ） (2024-03-18T10:35:15Z) - Language-Guided Traffic Simulation via Scene-Level Diffusion [46.47977644226296]
本稿では,シーンレベルの条件拡散モデルであるCTG++について述べる。
まず,現実的で制御可能なトラフィックを生成する時間的バックボーンを備えたシーンレベルの拡散モデルを提案する。
次に、大きな言語モデル(LLM)を用いて、ユーザクエリを、拡散モデルをクエリに準拠した生成に導く損失関数に変換する。
論文 参考訳（メタデータ） (2023-06-10T05:20:30Z) - Building Transportation Foundation Model via Generative Graph
Transformer [12.660129805049664]
本稿では,交通シミュレーションの原理を交通予測に統合した交通基盤モデル(TFM)を提案する。
TFMは、移動系アクターの参加行動と相互作用を捉えるために、グラフ構造と動的グラフ生成アルゴリズムを使用する。
このデータ駆動・モデルフリーシミュレーション手法は、構造的複雑性とモデル精度の観点から、従来のシステムで直面する課題に対処する。
論文 参考訳（メタデータ） (2023-05-24T07:34:15Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - 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) - Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset and Consensus-Based Models [76.32775745488073]
本研究では,非構造環境における動作計画の研究を目的とした,新しいデータセットとモデリングフレームワークを提案する。
コンセンサスに基づくモデリング手法により、データセットで観測された優先順位の出現を効果的に説明できることを実証する。
論文 参考訳（メタデータ） (2022-09-19T05:06:57Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - Large-scale Analysis and Simulation of Traffic Flow using Markov Models [0.0]
交通分析に使用できる数学的に厳密なモデルが、他の研究者によって提案されている。
本稿では,2次元定常分布の概念を導入して,新しいパラメトリゼーションを提案する。
我々は,中規模および大規模でシミュレーションを行い,人工的および実データに基づくモデルと推定手法の両方が良好であることが証明された。
論文 参考訳（メタデータ） (2020-07-06T12:31:27Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z) - Traffic Modelling and Prediction via Symbolic Regression on Road Sensor
Data [0.8602553195689513]
本稿では,ラグ演算子により強化されたシンボル回帰に基づく,新しいかつ正確な交通流予測手法を提案する。
提案手法は都市道路の複雑度に適したロバストモデルであり,高速道路よりも予測が困難である。
論文 参考訳（メタデータ） (2020-02-14T16:03:04Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳（メタデータ） (2020-01-09T10:21:04Z)
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。