論文の概要: Ring-based Spatial Transformer: Learning Non-linear Spatial Interactions between Building Distribution and Pedestrian Flow

• arxiv url: http://arxiv.org/abs/2608.14660v1
• Date: Fri, 31 Jul 2026 22:49:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-23 14:54:39.949204
• Title: Ring-based Spatial Transformer: Learning Non-linear Spatial Interactions between Building Distribution and Pedestrian Flow
• Title（参考訳）: リング型空間変換器:建物分布と歩行者流の非線形空間相互作用を学習する
• Abstract要約: 本研究では, 歩行者の流れを生成するために, 建物がどう相互作用するかを学習するためのリング型空間変換器を提案する。 東京都内の100駅について,100m間隔から800mまでの同心円状のリングバッファを定義した。 GPSによる歩行回数を対象変数とした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study proposes a ring-based SpatialTransformer to learn how building uses at different distances from a railway station interact to generate pedestrian flow. Concentric ring buffers at 100-meter intervals up to 800 meters were defined around 100 randomly selected stations in Tokyo, treating each ring as a spatial token. Self-Attention was applied to learn inter-zone interactions directly from data, without prior structural assumptions. GPS-derived walking trip counts served as the target variable and Geographically Weighted Regression as the baseline. Across 30 independent trials, the SpatialTransformer consistently outperformed GWR in predictive accuracy. SHAP analysis revealed that mid-to-outer distance zone features dominate pedestrian flow prediction, while features from the 0-100m zone contributed little. The attention matrix showed that each distance zone attends most strongly to spatially distant zones, demonstrating that pedestrian flow is regulated by structural interactions across the entire catchment area rather than by any single zone in isolation. These findings challenge the compact city assumption that station-proximate development maximizes pedestrian flow, and suggest that land use distribution across the full walkable catchment area deserves greater consideration in urban planning practice.
• Abstract（参考訳）: 本研究では,鉄道駅から離れた距離の建物が歩行者の移動にどのように利用されているかを知るためのリング型空間変換器を提案する。 東京都内の無作為選択駅100駅を中心に,100m間隔から800mまでの同心円状のリングバッファを定義し,各リングを空間トークンとして扱った。 ゾーン間相互作用を直接データから学習するために、事前の構造仮定なしで自己認識を適用した。 GPSによる歩行回数が目標変数となり、地理的に重み付けされた回帰がベースラインとなった。 30回の独立試験で、SpatialTransformerは予測精度でGWRを上回った。 SHAP解析の結果,0～100m帯の特徴は少ないが,中間から外側までの距離帯が歩行者フローの予測を支配していることがわかった。 注意行列は,各距離帯が空間的に離れた領域に最も強く関与していることを示し,歩行者の流れは孤立した単一ゾーンではなく,捕獲領域全体の構造的相互作用によって制御されていることを示した。 これらの知見は, ステーション・プロクサメート開発が歩行者の移動を最大化するというコンパクトシティの仮定に異議を唱えるものであり, 都市計画の実践において, フルウォーク可能な流域における土地利用の分布が考慮すべきものであることを示唆している。

関連論文リスト

• Rethinking Learned Occupancy in Autonomous Active Mapping with Observation-Gated Filtering [17.872923588416846]
  アクティブマッピングでは、ナビゲーションに必要なジオメトリを構築しながら、どこに感知するかを選択するために、宇宙ロボットが必要である。 サポートされていない乗員は、ロボットの見た目と移動可能な場所の両方を歪めることができる。 我々は,この結合インタフェースを,アクティブマッピングシステムを固定し,平面面の占有率だけを変化させることで,制御されたクローズドループベンチマークで検討した。
  論文  参考訳（メタデータ） (2026-09-08T17:23:37Z)
• Map the Possibilities: Spatial Belief Fields for Language-Goal Aerial Navigation [49.03955946482723]
  SBFNavは、言語条件付き空間的信念場を中心としたクローズドループナビゲーションフレームワークである。 主に観測されたことを記録しているエゴ中心の地図とは異なり、SBFレポジトリ-はタスク条件付き分布を可視な目標位置上で再送する。 SBFNavは、制御のためのメットリックなウェイポイントとして、命令と観察に最も適したゴールを選択する。
  論文  参考訳（メタデータ） (2026-09-05T03:11:01Z)
• Curvature-Aware Radius Shrinkage for Adaptive Nearest Neighbor Classification [52.452902154360565]
  CARSANNは、局所的な幾何学的複雑さに応じて各地区の空間的支持を適応する幾何学駆動のフレームワークである。 70以上の実世界のOpenMLデータセットの実験は、CARSANNが標準の$k$-NNで一貫して改善されていることを示している。
  論文  参考訳（メタデータ） (2026-08-27T19:19:07Z)
• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• A Distributed Multi-UGV Exploration Framework With Loop-Aware Planning and Descriptor-Aided Localization in Resource-Limited Environments [13.456466206579782]
  本稿では,UGV間ループ閉鎖とループ対応階層計画を結合した完全分散探索フレームワークを提案する。 我々は,高機能なUGV位置認識を実現するために,レンジイメージをプリアライメントした軽量なLiDARグローバルディスクリプタを開発した。 また,不確実性を考慮したクロスUGVループ閉鎖選択モジュールを導入する。
  論文  参考訳（メタデータ） (2026-06-09T16:48:53Z)
• Meridian: Metric-Semantic Primitive Matching for Cross-View Geo-Localization Beyond Urban Environments [47.53030013880309]
  ロボット自動化の成功には、リピータビリティ、タスク計画、目標仕様、安全な操作をサポートするために、正確なグローバルローカライゼーションが必要である。 本稿では,空中画像と地上ロボットRGB-Dカメラデータにまたがって,ハイレベルなメトリック・セマンティックプリミティブをマッチングする方法であるメリディアンを提案する。 我々のアルゴリズムは、自律運転データセット、公園とキャンパスのエリア、荒野キャンプなど、幅広い環境にまたがる地上ロボットをローカライズできることを実証する。
  論文  参考訳（メタデータ） (2026-06-04T15:52:40Z)
• Uncertainty-Aware Trip Purpose Inference from GPS Trajectories via POI Semantic Zones and Pareto Calibration [10.747965384870737]
  大規模なGPSトラジェクトリーデータは、人間の移動性に関する豊富な観察を提供する。 検出された停留所への旅行目的の割り当ては、個々のレベルの地上真実が欠如しているため困難である。 近辺レベルのPOIセマンティックゾーンと距離重み付き空間的可能性を統合する弱教師付きフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-02T05:29:14Z)
• Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
  我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。 提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。 実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
  論文  参考訳（メタデータ） (2026-01-29T15:58:07Z)
• VisitHGNN: Heterogeneous Graph Neural Networks for Modeling Point-of-Interest Visit Patterns [3.545082819007165]
  VisitHGNNは、個々の関心点(POI)の確率を予測するために設計された関係性特化グラフネットワークである。 ビジターHGNNは平均KL偏差0.287、MAE0.008、Top-1精度0.853、R-square0.853で高い予測性能を達成している。 都市計画、交通政策、移動システム、公衆衛生におけるモデルによる意思決定支援の可能性。
  論文  参考訳（メタデータ） (2025-10-03T03:42:58Z)
• On the Limitations of Ray-Tracing for Learning-Based RF Tasks in Urban Environments [4.097291451674696]
  ローマ中央部の屋外細胞リンクにおけるSionna v ray-tracingの現実性について検討した。 我々は、経路深さ、拡散/特異/屈折フラグ、キャリア周波数、アンテナの特性など、主なシミュレーションパラメータを変化させる。
  論文  参考訳（メタデータ） (2025-07-25T19:58:44Z)
• Parallel Multi-Graph Convolution Network For Metro Passenger Volume Prediction [8.536743588315696]
  本稿では,並列多グラフ畳み込みと双方向一方向Gated Recurrent Unit(PB-GRU)を重畳した深層学習モデルを提案する。 地下鉄の乗客の流れを実世界の2つのデータセットで分析した結果,モデルの有効性が示された。
  論文  参考訳（メタデータ） (2021-08-29T13:07:18Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• Real-time Localization Using Radio Maps [59.17191114000146]
  パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。 提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
  論文  参考訳（メタデータ） (2020-06-09T16:51:17Z)

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。