論文の概要: XFlowMap: Cross-Scale Generalization and Mapping of Massive Origin-Destination Data

• arxiv url: http://arxiv.org/abs/2605.18777v1
• Date: Thu, 23 Apr 2026 07:52:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.939932
• Title: XFlowMap: Cross-Scale Generalization and Mapping of Massive Origin-Destination Data
• Title（参考訳）: XFlowMap: 大規模一般化と大規模原産地推定データのマッピング
• Authors: Diansheng Guo, Hai Jin,
• Abstract要約: XFlowMapは、大規模なオリジン決定(OD)データのクロススケールな一般化とマッピングのためのフレームワークである。 提案手法は, 適切な起点と目的地スケールで健全な流れパターンを検出し, 高度構造を抽出し, 新たなフローマップ表現を生成する。 このフレームワークは、領域ベースとポイントベースのODデータの両方をサポートし、スパースとノイズの多いデータセットに対して堅牢であり、階層化されたフローデータの比較マッピングを可能にする。
• 参考スコア（独自算出の注目度）: 19.932790314892213
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mapping large origin-destination (OD) datasets remains challenging because flow maps become cluttered, meaningful patterns occur at multiple spatial scales, and existing flow-mapping approaches frequently rely on predefined aggregation units or manual generalization. This paper presents XFlowMap, a framework for the cross-scale generalization and mapping of massive OD data. Specifically, the framework integrates cross-scale flow pattern (cluster) detection, automated flow map generalization, and a new cartographic representation for analyzing and visualizing complex origin-destination flow structures. The approach detects salient flow patterns at their appropriate origin and destination scales, extracts high-level structures, and generates a new flow map representation that supports holistic interpretation of complex origin-destination flow patterns. A scan-statistic-based procedure is developed to evaluate and generalize cross-scale flow clusters. The detected clusters are then visualized using a novel flow symbol that integrates location, direction, strength, and OD scales in a single representation. The framework supports both area-based and point-based OD data, is robust to sparse and noisy datasets, and enables comparative mapping of stratified flow data. Experiments with synthetic data and U.S. migration data demonstrate that the method effectively extracts meaningful cross-scale flow patterns and produces clear, information-rich flow maps for large mobility datasets, supporting both static presentation and interactive exploration.
• Abstract（参考訳）: フローマップが散らかり、複数の空間スケールで有意義なパターンが発生し、既存のフローマッピングアプローチは事前に定義された集約単位や手動の一般化に依存しているため、大きなオリジン決定(OD)データセットのマッピングは依然として困難である。 本稿では,大規模ODデータのクロススケール一般化とマッピングのためのフレームワークであるXFlowMapを提案する。 具体的には, クロススケールフローパターン(クラスタ)の検出, 自動フローマップの一般化, 複雑な原点決定フロー構造の解析と可視化のための新しい地図表現を統合した。 提案手法は, 適切な原点と目的地の規模で健全なフローパターンを検出し, 高次構造を抽出し, 複雑な原点-決定フローパターンの全体的解釈を支援する新しいフローマップ表現を生成する。 クロススケールフロークラスタの評価と一般化を目的として,スキャン統計に基づく手法を開発した。 検出されたクラスタは、位置、方向、強度、ODスケールを単一の表現に統合する新しいフローシンボルを使用して視覚化される。 このフレームワークは、領域ベースとポイントベースのODデータの両方をサポートし、スパースとノイズの多いデータセットに対して堅牢であり、階層化されたフローデータの比較マッピングを可能にする。 合成データと米国のマイグレーションデータを用いて実験したところ、この手法は意味のあるクロススケールフローパターンを効果的に抽出し、大きなモビリティデータセットのための明確で情報に富んだフローマップを生成し、静的なプレゼンテーションとインタラクティブな探索の両方をサポートすることが示された。

関連論文リスト

• Geo-Data-Driven HD Map Generation Workflow with Integrated Reference-Free Constraint-Based Verification [4.735259292476909]
  ハイデフィニション(HD)マップは自動走行システムのコアアーティファクトであるが、その生成は一般的にセンサー集約型のモバイルマッピングキャンペーンに依存している。 本稿では,表現レベル検証を統合したHDマップ生成のためのエンジニアリング指向のジオデータ駆動ワークフローを提案する。
  論文  参考訳（メタデータ） (2026-05-18T09:08:56Z)
• Fast Voxelization and Level of Detail for Microgeometry Rendering [2.408299705177128]
  多くの材料は、その基盤となる微細構造の形状と局所的なアライメントにより、異方性光散乱パターンを示す。 このようなオブジェクトからボクセルデータを取得することは、時間とメモリ集約的なタスクである。 ほとんどのレンダリングアプローチでは、視覚的な外観を集約するために、追加のLevel-of-Detail (LoD)データ構造が必要である。
  論文  参考訳（メタデータ） (2026-04-14T18:16:15Z)
• Tracing the Roots: A Multi-Agent Framework for Uncovering Data Lineage in Post-Training LLMs [81.43302841109349]
  学習後のデータは、大規模言語モデル(LLM)の機能を形成する上で重要な役割を果たす 本稿では,データセット開発における進化グラフを再構築する自動マルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-12T06:24:07Z)
• CSMapping: Scalable Crowdsourced Semantic Mapping and Topology Inference for Autonomous Driving [23.921417146230738]
  CSMappingは正確なセマンティックマップとトポロジカル道路中心線を生成する。 nuScenes、Argoverse 2、および大規模プロプライエタリデータセットに関する実験は、最先端のセマンティクスとトポロジマッピングのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-03T07:06:18Z)
• Test-time scaling of diffusions with flow maps [68.79792714591564]
  テスト時の拡散モデルを改善するための一般的なレシピは、報酬の勾配を拡散そのものの力学に導入することである。 フローマップを直接扱うことで,簡単な解を提案する。 本研究では, 流図と流速場の関係を利用して, 従来のテスト時間法よりも精度の高いフローマップトラジェクトリ・ティルティング (FMTT) アルゴリズムを構築した。
  論文  参考訳（メタデータ） (2025-11-27T18:44:12Z)
• The Principles of Diffusion Models [81.12042238390075]
  拡散モデリングは、データを徐々にノイズに分解するフォワードプロセスを定義することから始まる。 目標は、ノイズをデータに変換しながら、同じ中間体を回復するリバースプロセスを学ぶことだ。 エネルギーベースモデリングに根ざしたスコアベースビューは、進化するデータ分布の勾配を学習する。 フローベースのビューは、フローの正規化に関連するもので、サンプルをノイズからデータに移すスムーズなパスに従って生成する。
  論文  参考訳（メタデータ） (2025-10-24T02:29:02Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• VQ-Flows: Vector Quantized Local Normalizing Flows [2.7998963147546148]
  データ多様体上の「チャートマップ」として局所正規化フローの混合を学習するための新しい統計フレームワークを導入する。 本フレームワークは, 正規化フローのシグネチャ特性を保ちながら, 最近の手法の表現性を向上し, 正確な密度評価を行う。
  論文  参考訳（メタデータ） (2022-03-22T09:22:18Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)

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。