論文の概要: DynaOD: Dynamic Origin-Destination Flow Generation with Discrete-to-Continuous Temporal Semantic Modeling

• arxiv url: http://arxiv.org/abs/2606.09086v1
• Date: Mon, 08 Jun 2026 06:32:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.764775
• Title: DynaOD: Dynamic Origin-Destination Flow Generation with Discrete-to-Continuous Temporal Semantic Modeling
• Title（参考訳）: DynaOD:離散連続時間セマンティックモデリングによる動的原位置決定フローの生成
• Authors: Jie Zhao, Xianqi Dai, Jie Feng, Huandong Wang, Yong Li,
• Abstract要約: 動的原点決定(OD)フロー生成は、時間的文脈のみから現実的な運動力学を合成しようとする。 2つの相補的な視点から時間力学をモデル化する意味駆動型フレームワークDynaODを提案する。 本手法は, 予測精度と分布忠実度の両方において, 代表ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 20.859733498481173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic origin-destination (OD) flow generation seeks to synthesize realistic mobility dynamics from temporal context alone, without relying on historical OD observations. A key challenge is to translate semantic temporal signals into temporally coherent OD patterns while preserving the inherent spatial heterogeneity of urban regions. We propose DynaOD, a semantic-driven framework that models temporal dynamics through two complementary perspectives: discrete directional trends that characterize qualitative shifts in urban activity patterns, and continuous temporal evolution that captures how such shifts unfold over time. By jointly encoding these temporal semantics, the framework constructs time-varying region representations that condition pretrained static OD generators in a lightweight and plug-and-play fashion. This modular design further supports scalable deployment and cross-city transferability. Extensive experiments on large-scale real-world datasets show that our method consistently outperforms representative baselines in both predictive accuracy and distributional fidelity. Code is publicly available at https://github.com/csjiezhao/DynaOD.
• Abstract（参考訳）: 動的原点決定(OD)フロー生成は、歴史的OD観測に頼ることなく、時間的文脈だけで現実的な運動力学を合成しようとする。 重要な課題は、都市部固有の空間的不均一性を保ちながら、意味的時間的信号を時間的コヒーレントなODパターンに変換することである。 都市活動パターンの質的変化を特徴付ける離散的方向傾向と,その変化が時間とともにどのように展開するかを捉える連続的時間的進化という,2つの相補的な視点を通して時間的ダイナミクスをモデル化する意味駆動型フレームワークDynaODを提案する。 これらの時間的意味論を共同で符号化することにより、このフレームワークは、軽量でプラグアンドプレイな方法で、事前訓練された静的ODジェネレータを条件付ける、時間的変化のある領域表現を構築する。 このモジュール設計は、スケーラブルなデプロイメントと都市間の転送性をさらにサポートする。 大規模実世界のデータセットに対する大規模な実験により,本手法は予測精度と分布忠実度の両方において,代表的ベースラインを一貫して上回ることを示した。 コードはhttps://github.com/csjiezhao/DynaOD.comで公開されている。

関連論文リスト

• Koopman Autoencoders with Continuous-Time Latent Dynamics for Fluid Dynamics Forecasting [17.98687936773676]
  数値積分スキームによる潜伏進化をモデル化する連続時間クープマンフレームワークを導入する。 推論における可変時間ステップを許容することにより、時間分解能に対する堅牢性を示し、訓練体制を超えて一般化する。 従来のCFDベンチマークのアプローチを評価し,精度,安定性,外挿特性について報告する。
  論文  参考訳（メタデータ） (2026-02-02T21:33:07Z)
• Learning Multi-Modal Mobility Dynamics for Generalized Next Location Recommendation [51.00494428978262]
  位置推薦タスクの移動力学を特徴付けるために,マルチモーダルな時空間知識を利用する。 まず、マルチモーダル表現のための統合時空間関係グラフ(STRG)を構築する。 第二に、異なるモーダルの空間時間グラフ表現を融合するゲーティング機構を設計する。
  論文  参考訳（メタデータ） (2025-12-27T14:23:04Z)
• Towards Stable and Structured Time Series Generation with Perturbation-Aware Flow Matching [16.17115009663765]
  安定かつ構造的に一貫した時系列生成を保証するために、摂動軌道をモデル化するフレームワークである textbfPAFM を導入する。 このフレームワークは摂動誘導訓練を取り入れ、局所的な乱れをシミュレートし、二経路速度場を利用して摂動下での軌道偏差を捉える。 非条件および条件生成タスクの両方の実験において、PAFMは強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-11-18T13:30:56Z)
• Kuramoto Orientation Diffusion Models [67.0711709825854]
  指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。 生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。 一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
  論文  参考訳（メタデータ） (2025-09-18T18:18:49Z)
• Transformer with Koopman-Enhanced Graph Convolutional Network for Spatiotemporal Dynamics Forecasting [12.301897782320967]
  TK-GCNは、幾何学的空間符号化と長距離時間モデリングを統合した2段階のフレームワークである。 我々は,TK-GCNが予測地平線全体にわたって優れた予測精度を提供することを示す。
  論文  参考訳（メタデータ） (2025-07-05T01:26:03Z)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
  本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。 我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。 ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
  論文  参考訳（メタデータ） (2022-08-05T09:36:55Z)

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。