論文の概要: MINT-V2X: A Mobility-Integrated Network Trajectory Dataset for Predictive Resource Management

• arxiv url: http://arxiv.org/abs/2607.22654v1
• Date: Fri, 26 Jun 2026 17:29:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.009473
• Title: MINT-V2X: A Mobility-Integrated Network Trajectory Dataset for Predictive Resource Management
• Title（参考訳）: MINT-V2X: 予測資源管理のためのモビリティ付きネットワークトラジェクトリデータセット
• Abstract要約: 本稿では,SUMOトラフィックダイナミクスとOMNeT++/Simu5Gネットワークシミュレーションを結合した包括的データセットであるMINT-V2Xを紹介する。 結果として得られたデータセットには、都市交通シミュレーションの3時間の間に15の道路ユニット(RSU)から1,386台の車両から987万の同期データポイントが含まれている。
• 参考スコア（独自算出の注目度）: 0.8717253904965373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vehicle-to-Everything (V2X) communication systems are based on datasets that not only contain vehicle trajectory data but also wireless network parameters with a realistic level of fidelity, enabling the creation of prediction and optimization models. There is a very critical research infrastructure gap today, and publicly available datasets are likely to be limited to one of the two: mobility or network parameters, and rarely provide a single, integrated view that combines both. This paper introduces MINT-V2X, a comprehensive dataset generated by coupling SUMO traffic dynamics with OMNeT++/Simu5G network simulation. The validation framework is composed of 14 standardized tests based on 3GPP Release 14 (C-V2X), ETSI standards and Shannon capacity theory. The resulting dataset contains 9.87 million synchronized data points from 1,386 vehicles from 15 roadside units (RSUs) during 3 hours of urban traffic simulation. We demonstrate strict algorithmic consistency through network metric correlations (CQI-SINR: 0.993; SINR-PDR: 0.946). Finally, we demonstrate the value of the dataset by conducting an RSU load prediction case study, showing that using trajectory data yields better predictive performance than network-history-only baselines. The dataset, experiments, and complete SUMO configuration files are available in the GitHub repository to facilitate reproduction on alternative simulation stacks.
• Abstract（参考訳）: 車両間通信システム(V2X)は、車両軌跡データだけでなく、現実的な忠実度を持つ無線ネットワークパラメータを含むデータセットに基づいており、予測と最適化モデルの作成を可能にする。 今日、非常に重要な研究基盤のギャップがあり、公開されているデータセットは、モビリティまたはネットワークパラメーターの2つに限られる可能性が高い。 本稿では,SUMOトラフィックダイナミクスとOMNeT++/Simu5Gネットワークシミュレーションを結合した包括的データセットであるMINT-V2Xを紹介する。 検証フレームワークは、3GPP Release 14 (C-V2X)、ETSI標準、シャノンキャパシティ理論に基づく14の標準化テストで構成されている。 結果として得られたデータセットには、都市交通シミュレーションの3時間の間に15の道路ユニット(RSU)から1,386台の車両から987万の同期データポイントが含まれている。 ネットワークメトリック相関による厳密なアルゴリズム整合性(CQI-SINR:0.993; SINR-PDR:0.946)を示す。 最後に、RSU負荷予測ケーススタディにより、データセットの価値を実証し、トラジェクトリデータを使用することで、ネットワーク履歴のみのベースラインよりも優れた予測性能が得られることを示す。 データセット、実験、完全なSUMO設定ファイルはGitHubリポジトリから入手可能で、代替のシミュレーションスタックでの再現を容易にする。

関連論文リスト

• Object Detection for Autonomous Driving in Chinese Rural Scenes: An Experimental Study on Real-Synthetic Data Mixing and Model Evaluation [7.412892097616196]
  本研究では,中国農村道路に特化して開発された実合成混合物体検出データセットを提案する。 我々のデータセットは、河南省西郡で撮影された現実世界の画像と、Unreal Engineで生成されたパラメータ化された仮想シーンを組み合わせる。 統一的なトレーニングプロトコルの下で、13の主流検出器を3つのデータ構成で評価する。
  論文  参考訳（メタデータ） (2026-07-29T15:49:02Z)
• EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
  EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。 実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。 EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
  論文  参考訳（メタデータ） (2026-06-09T17:57:16Z)
• Wireless Dataset Similarity: Measuring Distances in Supervised and Unsupervised Machine Learning [15.036550722400085]
  本稿では,無線データセット間の類似度を測定するためのタスク・アンド・モデル対応フレームワークを提案する。 データセットの選択/拡張、シミュレーション・トゥ・リアル(sim2real)比較、新しいデプロイメントへのモデルトレーニング/適応に関する決定などのアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2026-01-03T01:15:27Z)
• UrbanTwin: Synthetic LiDAR Datasets (LUMPI, V2X-Real-IC, and TUMTraf-I) [3.1508266388327324]
  UrbanTwinデータセットは、3つの公開ロードサイドライダーデータセットの高忠実で現実的なレプリカである。 各UrbanTwinデータセットには、パブリックデータセットの1つに対応する10Kフレームが含まれている。
  論文  参考訳（メタデータ） (2025-09-08T15:06:02Z)
• TUM2TWIN: Introducing the Large-Scale Multimodal Urban Digital Twin Benchmark Dataset [90.97440987655084]
  都市デジタルツインズ(UDT)は、都市管理と多様なソースからの複雑な異種データの統合に欠かせないものとなっている。 これらの課題に対処するために、最初の総合的マルチモーダルなUrban Digital TwinベンチマークデータセットTUM2TWINを紹介する。 このデータセットには、地理的にセマンティックに整合した3Dモデルとネットワーク、およびさまざまな地球、モバイル、航空、衛星観測結果、約10,000ドル以上のデータサブセット、そして現在767GBのデータが含まれている。
  論文  参考訳（メタデータ） (2025-05-12T09:48:32Z)
• Mixed Signals: A Diverse Point Cloud Dataset for Heterogeneous LiDAR V2X Collaboration [57.3519952529079]
  車両間協調認識(V2X)は、単車知覚システムの限界に対処するための有望な解決策として登場した。 これらのギャップに対処するために、45.1kの点雲と240.6kのバウンディングボックスを備えた総合的なV2XデータセットであるMixed Signalsを紹介した。 私たちのデータセットは10クラスのポイントクラウドとバウンディングボックスアノテーションを提供し、認識トレーニングのための信頼性の高いデータを確保します。
  論文  参考訳（メタデータ） (2025-02-19T23:53:00Z)
• Conformal Trajectory Prediction with Multi-View Data Integration in Cooperative Driving [4.628774934971078]
  軌道予測に関する現在の研究は、主にエゴ車両の搭載センサーによって収集されたデータに依存している。 V2INetは、既存の単一ビューモデルを拡張することで、マルチビューデータをモデル化するための新しい軌道予測フレームワークである。 以上の結果から,FDE(Final Displacement Error)とMR(Miss Rate)において,単一GPUを用いた優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-01T08:32:03Z)
• UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction [93.77809355002591]
  さまざまなデータセット、モデル、評価基準を統一する包括的なフレームワークであるUniTrajを紹介する。 我々は広範な実験を行い、他のデータセットに転送するとモデルの性能が大幅に低下することがわかった。 これらの知見を説明するために,データセットの特徴に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-03-22T10:36:50Z)
• Learning spatiotemporal features from incomplete data for traffic flow prediction using hybrid deep neural networks [0.28675177318965034]
  本研究では,カリフォルニア・フリーウェイ・パフォーマンス・計測システム(PeMS)のトラフィックフローを,欠落した値で予測するハイブリッドディープニューラルネットワークに焦点を当てた。 RNNとCNNをベースとして,並列接続と並列接続の異なるアーキテクチャ構成が検討されている。 PeMSから得られた2つの異なるデータセットを総合的に分析した結果,平均計算手法を用いたシリーズ並列ハイブリッドネットワークは,交通流の予測において最も低い誤差を達成できることがわかった。
  論文  参考訳（メタデータ） (2022-04-21T15:57:08Z)
• Networked Time Series Prediction with Incomplete Data [59.45358694862176]
  我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。 3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
  論文  参考訳（メタデータ） (2021-10-05T18:20:42Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)

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。