論文の概要: Structure-Aware Graph Multi-Task Learning for Dynamic Sparse OD Demand Prediction

• arxiv url: http://arxiv.org/abs/2606.21022v1
• Date: Fri, 19 Jun 2026 01:17:48 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 11:21:53.699663
• Title: Structure-Aware Graph Multi-Task Learning for Dynamic Sparse OD Demand Prediction
• Title（参考訳）: 動的スパースOD需要予測のための構造対応グラフマルチタスク学習
• Authors: Ming Xu, Jiawei Cao,
• Abstract要約: Origin-Destination (OD) 需要予測はインテリジェント交通システムの基本である。 実世界のODフローは、しばしば動的にスパースであり、長い尾を持ち、不均一なゼロフローパターンによって特徴づけられる。 動的スパースOD需要予測のための構造化対応グラフマルチタスク学習フレームワークSAGMTLを提案する。
• 参考スコア（独自算出の注目度）: 1.7101795903804942
• License:
• Abstract: Origin-Destination (OD) demand prediction is fundamental to intelligent transportation systems, yet real-world OD flows are often dynamically sparse, long-tailed, and characterized by heterogeneous zero-flow patterns. These properties make it difficult to distinguish whether an OD connection is active from how much demand it generates once activated. Many existing methods primarily treat OD prediction as a single flow regression task, which limits their ability to model low-frequency, intermittent, and long-tailed OD interactions. To address these challenges, we propose SAGMTL, a Structure-Aware Graph Multi-Task Learning framework for dynamic sparse OD demand prediction. SAGMTL decomposes OD prediction into structural state modeling and flow intensity estimation, jointly learning regional activity states, OD connection activity, and edge-level flow intensity within a unified framework. Specifically, a node-edge collaborative representation module captures regional semantics, temporal dynamics, and spatial priors through interactive node-edge updates, producing structure-aware representations for dynamic OD interactions. Based on these representations, SAGMTL estimates OD flows by jointly modeling stable demand patterns and short-term fluctuations. A multi-constraint objective further improves sparsity awareness and structural consistency. Experiments on three real-world urban mobility datasets from Beijing, Chengdu, and Nanjing show that SAGMTL achieves superior overall performance compared with state-of-the-art baselines. Further analysis demonstrates that explicitly modeling regional activity, connection states, and flow intensity improves the robustness of dynamic sparse OD demand prediction.
• Abstract（参考訳）: Origin-Destination (OD) 需要予測はインテリジェントな輸送システムの基本であるが、現実のODフローは、しばしば動的に疎く、長い尾を持ち、不均一なゼロフローパターンによって特徴づけられる。 これらの特性により、OD接続がアクティブであるかどうかを、一度アクティベートされた要求量と区別することが困難になる。 既存の多くの手法は、OD予測を単一フロー回帰タスクとして扱うが、これは低周波、断続、長い尾のOD相互作用をモデル化する能力を制限する。 これらの課題に対処するために、動的スパースOD需要予測のための構造化対応グラフマルチタスク学習フレームワークSAGMTLを提案する。 SAGMTLはOD予測を構造状態モデリングとフローインテンシティ推定、共同学習地域活動状態、OD接続アクティビティ、エッジレベルのフローインテンシティに分解する。 具体的には、ノードエッジ協調表現モジュールは、対話的なノードエッジ更新を通じて、局所的意味論、時間的ダイナミクス、空間的先行をキャプチャし、動的ODインタラクションのための構造認識表現を生成する。 これらの表現に基づいて、SAGMTLは安定した需要パターンと短期変動を共同でモデル化することでODフローを推定する。 マルチ制約目的により、空間認識と構造整合性がさらに向上する。 北京、成都、南京の3つの実世界の都市モビリティデータセットの実験では、SAGMTLは最先端のベースラインと比較して、全体的なパフォーマンスが優れていることが示されている。 さらに分析した結果, 局所活動, 接続状態, 流動強度を明示的にモデル化することで, 動的疎水需要予測のロバスト性を向上させることが示された。

関連論文リスト

• DynaOD: Dynamic Origin-Destination Flow Generation with Discrete-to-Continuous Temporal Semantic Modeling [20.859733498481173]
  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。
  論文  参考訳（メタデータ） (2026-06-08T06:32:49Z)
• DSFNet: Learning Dual-Domain Spectral Operators for Multi-Modality Spatio-Temporal Forecasting in Urban Transportation Systems [51.72074484150301]
  本稿ではDSFNet(Dual-Domain Spectral Network)を提案し,変数間の関係を明示的にモデル化する。 このフレームワークは、異種空間パターンを捉えるために、二重領域スペクトルフィルタリングを用いる。 2番目のベースラインと比較して、DSFNetはこれらのデータセット間でMAEを3.21%-10.16%削減する。
  論文  参考訳（メタデータ） (2026-06-05T07:33:57Z)
• Going with the Flow: Koopman Behavioral Models as Implicit Planners for Visuo-Motor Dexterity [1.6865201067073452]
  本稿では,一様挙動モデル (UBMs) を紹介する。 Koopman-UBM は UBM の最初のインスタンス化であり、潜在視覚的特徴と固有受容的特徴の結合フローが構造化線形システムによって制御される統一表現を学習する。
  論文  参考訳（メタデータ） (2026-02-07T07:18:00Z)
• 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)
• Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
  オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。 i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T06:26:02Z)
• 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)
• Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-05-06T06:23:06Z)
• Amortized Network Intervention to Steer the Excitatory Point Processes [8.15558505134853]
  動的グラフ上に発生する励起点過程(すなわちイベントフロー)は、時間と空間を通じて離散事象がどのように広がるかを把握するためのきめ細かいモデルを提供する。 動的グラフ構造を変更してイベントフローを効果的に操縦する方法は、感染症の拡散を抑制する動機となる興味深い問題である。 我々はAmortized Network Interventionsフレームワークを設計し、履歴やその他のコンテキストから最適なポリシーをプールできるようにする。
  論文  参考訳（メタデータ） (2023-10-06T11:17:28Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• 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。