論文の概要: GeoFlow: Geo-Aware Modeling of Inter-Area Relationships in Origin-Destination Flow Prediction and Generation
- arxiv url: http://arxiv.org/abs/2607.05257v1
- Date: Mon, 06 Jul 2026 16:04:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.233034
- Title: GeoFlow: Geo-Aware Modeling of Inter-Area Relationships in Origin-Destination Flow Prediction and Generation
- Title（参考訳）: GeoFlow:オリジン-Destination Flow予測と生成における地域間関係のジオ・アウェア・モデリング
- Authors: Zherui Huang, Guanjie Zheng, Hao Xue, Linghe Kong,
- Abstract要約: オリジン・デスティネーション(OD)フローモデリングは都市計画とモビリティ分析の基盤となる。
地理空間属性で領域表現を拡張する新しいフレームワークであるGeoFlowを紹介する。
ODフロー生成では、GeoFlowはフローマッチングモデルと組み合わせて、より正確で多様なモビリティサンプルを生成する。
- 参考スコア（独自算出の注目度）: 26.29488386730426
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Origin-destination (OD) flow modeling underpins urban planning and mobility analysis, but prevailing graph-based methods often neglect salient geographic attributes, limiting their ability to model long-range and multi-area dependencies. In this paper, we introduce GeoFlow, a novel framework that (i) augments area representations with geospatial attributes, including relative positions, k-hop and geodesic distances, (ii) employs a specialized geometric-intrinsic fusion encoder design that combines graph attention for intrinsic area signals with coordinate-aware encoders for global structure, and (iii) adopts an axial-global attention decoder to capture OD-specific competitive dependencies. For OD flow generation, GeoFlow is paired with flow matching models to produce more authentic and diverse mobility samples. Empirically, GeoFlow achieves superior performance in predictive accuracy, while substantially improving generative fidelity and diversity. Ablation and analytical studies confirm the contribution of each component. Code is available at https://github.com/ZheruiHuang/GeoFlow.
- Abstract（参考訳）: オリジン・デスティネーション(OD)フローモデリングは都市計画とモビリティ分析の基盤となっているが、グラフベースの手法では地理的な特徴を無視することが多く、長距離とマルチエリアの依存関係をモデル化する能力は制限される。
本稿では,新しいフレームワークGeoFlowを紹介する。
一 相対位置、kホップ及び測地距離を含む地理空間特性による面積表現を増強すること。
(II) 内在領域信号に対するグラフアテンションとグローバル構造のための座標認識エンコーダを組み合わせた特殊幾何-内在核融合エンコーダ設計(II)
(iii)OD固有の競合依存を捉えるために、軸方向のアテンションデコーダを採用する。
ODフロー生成では、GeoFlowはフローマッチングモデルと組み合わせて、より正確で多様なモビリティサンプルを生成する。
経験的に、GeoFlowは予測精度において優れたパフォーマンスを実現し、生成の忠実度と多様性を大幅に向上させる。
アブレーションと分析研究は各成分の寄与を確認している。
コードはhttps://github.com/ZheruiHuang/GeoFlowで入手できる。
関連論文リスト
- GeoAgent: Learning to Geolocate Everywhere with Reinforced Geographic Characteristics [91.17301794848025]
本稿では,人間と密に推論し,詳細なアドレス結論を導出できるGeoAgentについて述べる。
従来のRLベースの手法は、パフォーマンスと解釈可能性においてブレークスルーを達成したが、AI生成のチェーン・オブ・プリート(CoT)データとトレーニング戦略に依存しているため、依然として懸念が残っている。
論文 参考訳（メタデータ） (2026-02-13T04:48:05Z) - GeoFocus: Blending Efficient Global-to-Local Perception for Multimodal Geometry Problem-Solving [55.14836667214487]
GeoFocusは、2つのコアモジュールからなる新しいフレームワークである。
GeoFocusは、主要な特殊モデルよりも4.7%の精度向上を実現している。
多様な視覚条件下でのMATHVERSEの強靭性を示す。
論文 参考訳（メタデータ） (2026-02-09T11:15:01Z) - Geo2Vec: Shape- and Distance-Aware Neural Representation of Geospatial Entities [13.206124101350847]
署名された距離場(SDF)にインスパイアされた新しい手法であるGeo2Vecを導入し、元の空間で直接動作する。
SDFを近似するように訓練されたニューラルネットワークは、すべてのジオエンタリティタイプに対してコンパクトで幾何学的、統一された表現を生成する。
実験結果から,Geo2Vecは形状と位置を表す既存の手法より一貫して優れており,トポロジカルおよび距離の関係を捉え,実世界のGeoAIアプリケーションにおいて高い効率を実現していることがわかった。
論文 参考訳（メタデータ） (2025-08-26T07:12:28Z) - Performance and Generalizability Impacts of Incorporating Location Encoders into Deep Learning for Dynamic PM2.5 Estimation [0.39762912548964846]
動的・空間的不均一な応用のための深層学習における位置情報の効果について検討する。
日表面PM2.5を衛星観測と地上観測により推定した。
以上の結果から,空間一般化の支援により,原座標は領域内の性能を向上させることができるが,領域間の一般化性は低下することが示された。
論文 参考訳（メタデータ） (2025-05-24T02:00:34Z) - GeoFlow-SLAM: A Robust Tightly-Coupled RGBD-Inertial and Legged Odometry Fusion SLAM for Dynamic Legged Robotics [12.041115472752594]
GeoFlow-SLAMは、攻撃的かつ高周波な動作を行うロボティクスのための堅牢で効果的なRGBD慣性SLAMである。
本手法は,テクスチャレスシーンにおける特徴マッチングと視覚的特徴障害の3つの重要な課題に対処する。
提案アルゴリズムは,収集した脚ロボットとオープンソースデータセット上で,最先端のSOTA(State-of-the-art)を実現する。
論文 参考訳（メタデータ） (2025-03-18T13:35:49Z) - Towards Scalable Foundation Model for Multi-modal and Hyperspectral Geospatial Data [14.104497777255137]
本稿では,3つのイノベーションを取り入れた高効率空間スペクトル変換器について紹介する。
位置マスキングとチャネルマスキングを統合したHyperspectral Masked Autoencoderフレームワークを用いたLESS ViTの事前訓練を行った。
実験により, 提案手法は, 最先端のマルチモーダル地空間基盤モデルと競合する性能を示す。
論文 参考訳（メタデータ） (2025-03-17T05:42:19Z) - GeoAggregator: An Efficient Transformer Model for Geo-Spatial Tabular Data [5.40483645224129]
本稿では地理空間データモデリングのための効率的かつ軽量なアルゴリズムGeoAggregatorを紹介する。
我々は、空間統計モデル、XGBoost、およびいくつかの最先端地理空間深層学習法と比較した。
その結果、GeoAggregatorsは、ほぼすべてのデータセットで競合相手と比較して、ベストまたはセカンドベストのパフォーマンスを達成した。
論文 参考訳（メタデータ） (2025-02-20T20:39:15Z) - Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese
Geographic Re-Ranking [61.60169764507917]
中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。
そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
論文 参考訳（メタデータ） (2023-09-04T13:44:50Z) - Local Augmentation for Graph Neural Networks [78.48812244668017]
本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。
局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
論文 参考訳（メタデータ） (2021-09-08T18:10:08Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z)
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。