論文の概要: CityTrajBench: A Unified Benchmark for City-Scale Vehicle Trajectory Generation
- arxiv url: http://arxiv.org/abs/2606.02287v1
- Date: Mon, 01 Jun 2026 14:08:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:32.197029
- Title: CityTrajBench: A Unified Benchmark for City-Scale Vehicle Trajectory Generation
- Title（参考訳）: CityTrajBench: 都市規模の自動車軌道生成のための統一ベンチマーク
- Abstract要約: CityTrajBenchは、都市規模の車両軌道生成のための統一されたベンチマークフレームワークとプロトコルである。
データ取り込み、軌道正規化、特徴構成、モデル適応、マップ対応後処理、モデル選択、評価を標準化する。
このベンチマークは、グローバル空間リアリズム、トリップレベル分布の忠実度、軌跡レベルの幾何学的類似性、条件付きモビリティの整合性、効率を計測する。
- 参考スコア（独自算出の注目度）: 11.800237669997472
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Urban trajectory generation is a fundamental task for transportation simulation, urban planning, and mobility analytics. However, systematic comparison across trajectory generation methods remains difficult because existing studies often rely on different datasets, preprocessing pipelines, trajectory representations, and evaluation metrics. This fragmentation makes it unclear whether reported performance differences arise from the generation mechanism itself or from inconsistent experimental protocols. To address this issue, we present CityTrajBench, a unified benchmark framework and protocol for city-scale vehicle trajectory generation. CityTrajBench standardizes data ingestion, trajectory normalization, feature construction, model adaptation, map-aware post-processing, model selection, and multi-level evaluation under a common setting. It supports heterogeneous generators, including statistical baselines, VAE-based, GAN-based, diffusion-based, and flow-matching-based models, and evaluates them on three real-world urban trajectory datasets. The benchmark measures global spatial realism, trip-level distribution fidelity, trajectory-level geometric similarity, conditional mobility consistency, and efficiency. Experiments reveal clear trade-offs across model families: DiffTraj is strongest on trajectory-level geometric fidelity, DiffRNTraj is competitive on structure-sensitive global realism, and TrajFlow provides a strong balance across realism, quality, conditional consistency, and efficiency. Meanwhile, a simple Markov baseline remains competitive on coarse-grained trip and local-movement statistics. These findings show that urban trajectory generation quality is inherently multi-objective, that no single model dominates all criteria equally, and that CityTrajBench provides a reproducible benchmark protocol and testbed for future research on urban mobility generation.
- Abstract（参考訳）: 都市軌道生成は交通シミュレーション、都市計画、移動分析の基本的な課題である。
しかし、既存の研究は、しばしば異なるデータセット、前処理パイプライン、軌跡表現、評価指標に依存するため、軌跡生成手法の体系的な比較は難しいままである。
この断片化により、報告された性能の違いが生成機構自体から生じるのか、あるいは一貫性のない実験プロトコルから生じるのかがはっきりしない。
この問題に対処するために,都市規模の車両軌道生成のための統一ベンチマークフレームワークとプロトコルであるCityTrajBenchを紹介する。
CityTrajBenchは、データ取り込み、軌道正規化、特徴構成、モデル適応、マップ対応の事後処理、モデル選択、そして共通の設定下でのマルチレベル評価を標準化する。
統計ベースライン、VAEベース、GANベース、拡散ベース、フローマッチングベースモデルを含む異種発電機をサポートし、3つの実世界の都市軌道データセットでそれらを評価する。
このベンチマークは、グローバル空間リアリズム、トリップレベル分布の忠実度、軌跡レベルの幾何学的類似性、条件付きモビリティの整合性、効率を計測する。
DiffTrajは軌道レベルの幾何学的忠実度に強く、DiffRNTrajは構造に敏感なグローバルリアリズムに競争力があり、TrajFlowは現実主義、品質、条件整合性、効率性に強いバランスを提供する。
一方、単純なマルコフ基準線は、粗い粒度の旅行と局所移動統計で競争力を維持している。
これらの結果から, 都市軌道生成の品質は本質的に多目的であり, 一つのモデルがすべての基準を等しく支配しておらず, CityTrajBenchは再現可能なベンチマークプロトコルを提供し, 将来の都市移動生成研究のためのテストベッドを提供することがわかった。
関連論文リスト
- CityGen: Structure-Guided City-Style Synthesis for Cross-City Autonomous Driving [5.149645190293104]
CityTransfer-Benchは、知覚、セグメンテーション、計画にわたる都市間一般化を評価するためのベンチマークである。
CityGenは拡散に基づく生成フレームワークであり、都市レベルの視覚的プロンプトによって誘導されるHDマップ条件の合成を通じてゼロラベルの都市適応を実行する。
論文 参考訳（メタデータ） (2026-05-28T13:46:48Z) - Spatiotemporal Heterogeneity of AI-Driven Traffic Flow Patterns and Land Use Interaction: A GeoAI-Based Analysis of Multimodal Urban Mobility [0.0]
土地利用と移動需要の複雑な非線形相互作用による都市交通の流れ
本研究では,交通流パターンをモデル化するGeoAI Hybrid frameworkを提案する。
このフレームワークを2つの対照的な都市形態にまたがる6都市にわたる350の交通分析ゾーンのデータセットに適用すると、4つの結果が浮かび上がっている。
論文 参考訳（メタデータ） (2026-03-05T18:45:44Z) - TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。
TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。
TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
論文 参考訳（メタデータ） (2026-03-02T10:38:54Z) - ReeMark: Reeb Graphs for Simulating Patterns of Life in Spatiotemporal Trajectories [5.137749546327247]
基本データから学習したパターン・オブ・ライフ(PoL)を保存したトラジェクトリをシミュレートする新しいフレームワークであるMarkovian Reeb Graphsを紹介する。
われわれのアプローチは、日常生活における一貫性と多様性の両方を捉える現実的な軌跡を生成する。
これらの結果から,Markovian Reeb Graphsは多様な都市環境に適用可能な,スケーラブルなシミュレーションフレームワークとして位置づけられた。
論文 参考訳（メタデータ） (2025-10-03T16:25:11Z) - 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) - UniTraj: Learning a Universal Trajectory Foundation Model from Billion-Scale Worldwide Traces [64.24594320103066]
ユニバーサルな軌跡基礎モデルを構築することは、既存の軌跡モデリングアプローチの限界に対処するための有望な解決策である。
以下、UniTrajを紹介します。UniTrajは3つの重要なイノベーションを通じてこれらの制限に対処することを目的としています。
まず、70か国にまたがる数十億のGPSポイントを持つ、前例のない245万のトラジェクトリのデータセットであるWorldTraceを構築します。
論文 参考訳（メタデータ） (2024-11-06T12:06:43Z) - Revisiting Synthetic Human Trajectories: Imitative Generation and Benchmarks Beyond Datasaurus [4.522142161017109]
ヒトの軌道データは、群衆管理や疫病予防など、様々な用途において重要な役割を担っている。
人工的な人間の軌道データは、現実世界の人間の軌道に可能な限り近いシミュレートするために生成される。
本稿では,ニューラル・テンポラル・ポイント・プロセスとして設計されたhuman-Imitative tRAjectory GenErativeモデルであるMIRAGEを提案する。
論文 参考訳（メタデータ） (2024-09-20T09:07:27Z) - 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) - MobilityGPT: Enhanced Human Mobility Modeling with a GPT model [15.16172813601417]
我々は, 自動回帰生成タスクとして, 生成事前学習型トランスフォーマアーキテクチャを活用して, 人間のモビリティモデリングを再構築する。
本稿では,ジオスパティカル・アウェア・ジェネレーティブ・モデルであるモビリティGPTを提案する。
実世界のデータセットの実験では、モビリティGPTは最先端の手法よりも優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-02-05T18:22:21Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳（メタデータ） (2023-11-02T16:45:25Z) - Physical-Virtual Collaboration Modeling for Intra-and Inter-Station
Metro Ridership Prediction [116.66657468425645]
本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。
特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。
類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
論文 参考訳（メタデータ） (2020-01-14T16:47:54Z)
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。