論文の概要: From Urban Mobility to Epidemic Dynamics: A Mixture-of-Experts Framework with Preference Alignment for Policy Scenario Simulation

• arxiv url: http://arxiv.org/abs/2608.20512v1
• Date: Thu, 20 Aug 2026 19:14:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.158863
• Title: From Urban Mobility to Epidemic Dynamics: A Mixture-of-Experts Framework with Preference Alignment for Policy Scenario Simulation
• Title（参考訳）: 都市モビリティからエピデミックダイナミクスへ:政策シナリオシミュレーションのための優先アライメントを併用したMixture-of-Expertsフレームワーク
• Abstract要約: 非薬物的介入は行動的再配置を通じて伝染病のリスクを変化させる。 実時間と代替のNPIカレンダーを日時軌道にマッピングするデータ駆動フレームワークであるUrbanShare-MoE-PAを紹介する。 シンガポールで2020年3月から8月にかけて観察された911人のエージェントのデータを用いて、現実の復元、代替のロックダウンカレンダー4つ、疫病活動トレードオフを評価した。
• 参考スコア（独自算出の注目度）: 6.129250254081938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-pharmaceutical interventions (NPIs) alter epidemic risk through behavioral reallocations, not simply aggregate mobility reductions. Scenario-based NPI analysis therefore requires a behavioral layer that translates alternative policy calendars into plausible activity and mobility trajectories before downstream outcomes are simulated. We introduce UrbanShare-MoE-PA, a data-driven agent-level framework that maps factual and alternative NPI calendars to daily time-allocation trajectories and propagates them through a calibrated behavior-driven SEIR simulator. The behavioral engine decomposes each agent-day into travel share, POI-category allocation conditional on staying, and travel-mode allocation conditional on traveling. It combines a structured UrbanShare baseline, mixture-of-experts heads for heterogeneous POI and mode responses, and phase-aware preference alignment for calendar-conditioned rollouts. Using data from 911 agents in Singapore observed from March to August 2020, we evaluate factual reconstruction, four alternative lockdown calendars, and epidemic-activity trade-offs. UrbanShare-MoE improves POI reconstruction over the baseline, while UrbanShare-MoE-PA achieves the lowest travel-mode errors and the clearest alternative-calendar trajectories. In the calibrated SEIR simulation, early lockdown lowers infectious burden, late lockdown increases it, and short lockdown preserves the highest weighted activity with only a modest increase in epidemic burden relative to the original policy. These results show that epidemic-activity conclusions depend on how policy calendars are translated into behavior, and that agent-level mobility-share modeling provides an interpretable bridge between policy timing, behavior, and downstream simulation.
• Abstract（参考訳）: 非薬剤的介入(NPI)は、単に集約的なモビリティ低下ではなく、行動的再配置による伝染リスクを変化させる。 したがって、シナリオベースのNPI分析では、下流の結果がシミュレートされる前に、代替ポリシーカレンダーをプラプティブルなアクティビティやモビリティの軌跡に変換する行動層が必要である。 本稿では,データ駆動型エージェントレベルフレームワークであるUrbanShare-MoE-PAを紹介した。 行動エンジンは、各エージェント日を旅行共有と、滞在条件のPOIカテゴリー割当条件と、旅行条件の旅行モード割当条件とに分解する。 構造化されたUrbanShareベースライン、不均一なPOIとモード応答のためのMix-of-expertsヘッド、カレンダー条件のロールアウトのためのフェーズアウェア優先アライメントを組み合わせたものだ。 シンガポールで2020年3月から8月にかけて観察された911人のエージェントのデータを用いて、現実の復元、代替のロックダウンカレンダー4つ、疫病活動トレードオフを評価した。 UrbanShare-MoEはベースライン上のPOI再構成を改善し、UrbanShare-MoE-PAは最小の旅行モード誤差と最も明確な代替カレンダ軌道を達成している。 校正されたSEIRシミュレーションでは,早期ロックダウンは感染負担を低減し,遅発ロックダウンは増加し,短期ロックダウンは感染負担を緩やかに増加させるだけで,最も高い重み付き活動を維持している。 これらの結果は,政策カレンダーが行動にどのように変換されるかに依存し,エージェントレベルのモビリティシェアモデリングが政策タイミング,行動,下流シミュレーションの解釈可能なブリッジを提供することを示している。

関連論文リスト

• Shift & Drift: A Zero-Shot Benchmark for Generalizable and Robust Autonomous Driving Motion Planning [60.888463449435484]
  シフト・アンド・ドリフト(Shift & Drift)は、分散シフトの2つの重要な軸にまたがる、厳密なストレス-テスト運動プランナーのための新しいデュアルトラックベンチマークである。 擬似学習手法は,IDベンチマークにおいて高いスコアを得るが,時間的に相関したアクティベーションノイズを受けると持続的なドリフトに悩まされることを示す。 本研究は, 模擬忠実度と閉ループレジリエンスのトレードオフを実証的に明らかにし, 信頼性の高い展開に向けた進捗を評価するための厳密なベンチマークをコミュニティに提供する。
  論文  参考訳（メタデータ） (2026-07-08T18:23:48Z)
• ReactiveBFM: Reactive Closed-Loop Motion Planning Towards Universal Humanoid Whole-Body Control [54.267632784131415]
  ReactiveBFMは、ヒューマノイドのためのリアルタイムループ計画制御フレームワークである。 定期的なプレフィックスサンプリングカリキュラムを通じて、致命的な累積露光バイアスを軽減する。 これは、テキスト条件付きクローズドループ運動の膨大なレパートリーにおいて、前例のない物理的機敏さを示す。
  論文  参考訳（メタデータ） (2026-06-29T14:27:27Z)
• Evaluating Impacts of Traffic Regulations in Complex Mobility Systems Using Scenario-Based Simulations [0.3867363075280543]
  都市交通規制政策は、都市における渋滞、排出、アクセシビリティに対処するためにますます使われている。 データ可用性と計算能力の最近の進歩は、交通政策設計のためのモデル駆動型、シミュレーションベースの決定支援の新しい形態を可能にする。 本稿では,輸送関連効果と経済的アクセシビリティにまたがる直接的影響と間接的影響の両方について,前者評価のための新しいシミュレーションパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-01-12T17:12:22Z)
• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• SPACeR: Self-Play Anchoring with Centralized Reference Models [50.55045557371374]
  Simエージェントポリシーは、現実的で、人間らしく、高速で、マルチエージェント設定でスケーラブルである。 大規模な拡散モデルやトークン化モデルを用いた模倣学習の最近の進歩は、人間の運転データから直接行動を把握することができることを示している。 本研究では,事前訓練されたトークン化自己回帰運動モデルを利用したSPACeRを提案する。
  論文  参考訳（メタデータ） (2025-10-20T19:53:02Z)
• MSCT: Addressing Time-Varying Confounding with Marginal Structural Causal Transformer for Counterfactual Post-Crash Traffic Prediction [24.3907895281179]
  本稿では,ポストクラッシュ交通予測のための新しい深層学習モデルを提案する。 提案モデルでは, 仮説的衝突介入戦略の下での交通速度の理解と予測に特化して, 処理を意識したモデルを提案する。 このモデルは、合成データと実世界のデータの両方を用いて検証され、MSCTがマルチステップ・アヘッド予測性能において最先端モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-19T06:42:41Z)
• 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)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction [24.26429523848735]
  急速な都市化は交通渋滞を著しくエスカレートさせ、高度な渋滞予測サービスの必要性を浮き彫りにした。 本稿では,CP-MoE(Congestion Prediction Mixture-of-Experts)を提案する。 CP-MoEは、旅行時間推定システムの精度と信頼性を向上させるため、DiDiに展開されている。
  論文  参考訳（メタデータ） (2024-06-14T12:57:17Z)
• Controllable Diverse Sampling for Diffusion Based Motion Behavior Forecasting [11.106812447960186]
  制御可能拡散軌道(CDT)と呼ばれる新しい軌道生成器を導入する。 CDTは、情報と社会的相互作用をトランスフォーマーに基づく条件記述拡散モデルに統合し、将来の軌跡の予測を導く。 マルチモーダル性を確保するため,直進,右折,左折などの軌道モードを指示する行動トークンを組み込んだ。
  論文  参考訳（メタデータ） (2024-02-06T13:16:54Z)
• Policy-Aware Mobility Model Explains the Growth of COVID-19 in Cities [36.94575237918065]
  新型コロナウイルスの感染拡大を遅らせるためには、非医薬品の介入を考慮する必要がある。 都市内モビリティと政策導入を新しいメタポピュレーションSEIRモデルに組み込むことで、米国の都市における複雑なCOVID-19成長パターンを正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-02-21T07:39:17Z)

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。