論文の概要: SceneGTMM: A Conformal Mapping-based Scene-Aware Transferable GNN-Transformer Dual-Graph Interaction Framework for Map Matching

• arxiv url: http://arxiv.org/abs/2608.19298v1
• Date: Wed, 19 Aug 2026 16:46:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.359439
• Title: SceneGTMM: A Conformal Mapping-based Scene-Aware Transferable GNN-Transformer Dual-Graph Interaction Framework for Map Matching
• Title（参考訳）: SceneGTMM: 地図マッチングのためのコンフォーマルマッピングに基づくScene-Aware Transferable GNN-Transformer Dual-Graph Interaction Framework
• Abstract要約: SceneGTMMは転送可能なGNN変換器のデュアルグラフ相互作用マップマッチングフレームワークである。 実験により、SceneGTMは1650mの位置誤差を持つマルチソース軌道上で80%以上の精度を達成することが示された。 本研究は、リアルタイム交通認識と自律走行経路計画のための高精度で転送可能なマップマッチングのための新しいパラダイムを提供する。
• 参考スコア（独自算出の注目度）: 21.956956309970803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Map matching is a key technology connecting positioning data with high precision road networks, but it faces challenges in noise robustness, cross regional transfer, and interpretability. To addr ess the limitations of existing methods in local global fusion, dynamic road network adaptation, and reliance on black box mod els, this paper proposes SceneGTMM, a transferable GNN Transformer dual graph interaction map matching framework based on a conformal mapping based scene relative strategy. 1) Conformal mapping based scene relative strategy: constructs trajectory centric local coordinate systems to reduce dependence on the training road network, supporting cross regional transfer and dynamic road network updates; 2) GNN Transformer dual graph interaction architecture: a GNN modeled road graph captures local topological constraints, while a Transformer modeled trajectory graph captures global temporal dependencies, and cross graph attention achieves noise suppression and semantic alignment; 3) CRF enhanced structured prediction: combines the global context of the Transformer with the topological transition constraints of CRF to improve path connectivity and robustness. Experiments show that SceneGTM achieves over 80% accuracy on multi source trajectories with positioning errors of 16 50 meters, representing a 5.3% improvement over HMM. In cross city transfer scenarios, it outperforms MTrajRec, GraphMM, and TMM, and enhances interpretability through attention and relative coordinate visualization. This study provides a new paradigm for high precision, transferable map matching for real time traffic perception and autonomous driving path planning.
• Abstract（参考訳）: マップマッチングは、位置データを高精度な道路網に接続する重要な技術であるが、ノイズの堅牢性、地域間移動、解釈可能性といった課題に直面している。 本稿では,局所的グローバルフュージョン,動的道路ネットワーク適応,ブラックボックス・モジュール・エルへの依存といった既存手法の限界を補足するために,共形写像に基づくシーン相対戦略に基づく転送可能なGNN変換器のデュアルグラフ相互作用マップ・マッチング・フレームワークであるSceneGTMMを提案する。 1)コンフォーマルマッピングに基づくシーン相対戦略:訓練道路網への依存を減らすために軌道中心の局所座標系を構築し、地域間移動と動的道路網更新をサポートする。 2) GNN変換器双対グラフ相互作用アーキテクチャ:GNNモデル化路面グラフは局所的トポロジ的制約を捉え、トランスフォーマモデル軌道グラフは大域的時間依存性を捉え、クロスグラフアテンションはノイズ抑制とセマンティックアライメントを達成する。 3) CRF拡張構造予測: トランスフォーマーのグローバルコンテキストとCRFのトポロジ的遷移制約を組み合わせることで,パス接続性とロバスト性を向上させる。 実験により、SceneGTMは1650mの位置誤差を持つマルチソース軌道上で80%以上の精度を達成し、HMMよりも5.3%向上したことが示された。 都市間移動のシナリオでは、MTrajRec、GraphMM、TMMよりも優れており、注意と相対座標の可視化によって解釈可能性を高める。 本研究は、リアルタイム交通認識と自律走行経路計画のための高精度で転送可能なマップマッチングのための新しいパラダイムを提供する。

関連論文リスト

• Spatiotemporal Decision Transformer for Traffic Coordination [1.2099551931618155]
  MADT(Multi-Agent Decision Transformer)は、シーケンスモデリング問題としてマルチエージェント信号制御を再構成する新しい手法である。 当社のアプローチでは,過去のトラフィックデータからオフラインで学習することが可能になる。
  論文  参考訳（メタデータ） (2026-02-02T23:19:13Z)
• A Distributed Hierarchical Spatio-Temporal Edge-Enhanced Graph Neural Network for City-Scale Dynamic Logistics Routing [4.8267586387192445]
  都市規模のロジスティクスルーティングは、都市道路網が急速に数千万のエッジと交通条件に成長するにつれて、ますます困難になっている。 従来の集中型ルーティングアルゴリズムとモノリシックグラフニューラルネットワーク(GNN)モデルは、限られたスケーラビリティ、高いレイテンシ、低リアルタイム適応性に悩まされている。 本稿では,超大型道路網上での動的ルーティングのための分散階層設計を提案する。
  論文  参考訳（メタデータ） (2025-12-20T17:27:36Z)
• EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
  制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。 また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。 CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2025-04-28T02:41:12Z)
• TrafficKAN-GCN: Graph Convolutional-based Kolmogorov-Arnold Network for Traffic Flow Optimization [21.65543843942033]
  TrafficKAN-GCNは、Kolmogorov-Arnold Networks (KAN)とGraph Convolutional Networks (GCN)を組み合わせたハイブリッドディープラーニングフレームワークである。 提案手法をボルチモア都市圏の実際の交通データを用いて評価する。 我々の実験は、交通の流れを再分配し、渋滞を緩和し、フランシス・スコット・キーブリッジ崩壊のような破壊的な出来事に適応するフレームワークの能力を強調した。
  論文  参考訳（メタデータ） (2025-03-05T08:59:06Z)
• Local All-Pair Correspondence for Point Tracking [59.76186266230608]
  ビデオシーケンス間の任意の点(TAP)を追跡するタスクのために設計された,高精度かつ効率的なモデルであるLocoTrackを紹介する。 LocoTrackは、すべてのTAP-Vidベンチマークで未整合の精度を実現し、現在の最先端の約6倍の速度で動作している。
  論文  参考訳（メタデータ） (2024-07-22T06:49:56Z)
• Wavelet-Inspired Multiscale Graph Convolutional Recurrent Network for Traffic Forecasting [0.0]
  本稿では,マルチスケール解析(MSA)法とディープラーニング(DL)法を組み合わせたグラフ・コンパス・リカレント・ネットワーク(WavGCRN)を提案する。 提案手法は,現実のトラフィックデータセット上での解釈可能性,強力な学習能力,および競合予測性能を提供する。
  論文  参考訳（メタデータ） (2024-01-11T16:55:48Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• HDGT: Heterogeneous Driving Graph Transformer for Multi-Agent Trajectory Prediction via Scene Encoding [76.9165845362574]
  運転シーンをノードやエッジの異なる異種グラフとしてモデル化するバックボーンを提案する。 空間的関係符号化では、ノードの座標とエッジの座標は局所ノード中心座標系に含まれる。 実験結果から,HDGTは軌道予測のタスクに対して最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2022-04-30T07:08:30Z)
• Think Global, Act Local: Dual-scale Graph Transformer for Vision-and-Language Navigation [87.03299519917019]
  本稿では,2次元グラフ変換器 (DUET) を提案する。 我々は,グローバルな行動空間における効率的な探索を可能にするために,トポロジカルマップをオンザフライで構築する。 提案手法であるDUETは、目標指向の視覚・言語ナビゲーションベンチマークにおいて最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2022-02-23T19:06:53Z)
• Trajectory Prediction with Graph-based Dual-scale Context Fusion [43.51107329748957]
  本稿では,Dual Scale Predictorというグラフベースの軌道予測ネットワークを提案する。 静的および動的駆動コンテキストを階層的にエンコードする。 提案したデュアルスケールコンテキスト融合ネットワークにより、DSPは正確で人間らしいマルチモーダル軌道を生成することができる。
  論文  参考訳（メタデータ） (2021-11-02T13:42:16Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。