Fugu-MT 論文翻訳(概要): Learning to Transfer Across Modes: Towards Unified Urban Mobility Forecasting

論文の概要: Learning to Transfer Across Modes: Towards Unified Urban Mobility Forecasting

arxiv url: http://arxiv.org/abs/2608.28273v1
Date: Fri, 28 Aug 2026 12:35:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-31 17:16:04.330376
Title: Learning to Transfer Across Modes: Towards Unified Urban Mobility Forecasting
Title（参考訳）: 異機種間移動の学習:統一都市モビリティ予測に向けて
Authors: Yixuan Zhao, Man Luo,
Abstract要約: 都市移動需要予測のための統合フレームワークbftextTransModを提案する。 TransModは、異なる空間の粒度を持つ移動系を共通の空間に整列する共有ゾーンレベルの空間表現を構築する。既存のアプローチを一貫して上回り、限られたターゲットデータの下で堅牢な予測性能を提供する。
参考スコア（独自算出の注目度）: 2.877073407903913
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Urban transportation systems consist of multiple mobility modes that coexist within the same city and exhibit complex interdependencies, leading to correlated demand dynamics across modes. However, forecasting demand jointly across different modes remains challenging due to substantial heterogeneity in space and the limited availability of historical data for emerging modes. Existing forecasting methods are largely developed for individual mobility modes and implicitly assume compatible spatial structures between source and target systems, which severely restricts their applicability in multi-modal settings. To address these challenges, we propose \textbf{TransMod}, a unified framework for urban mobility demand forecasting that enables effective knowledge transfer across heterogeneous mobility modes. TransMod constructs a shared zone-level spatial representation that aligns mobility systems with different spatial granularities into a common space, thereby reducing structural mismatch and distributional shift. Built on this unified representation, TransMod further learns transferable spatio-temporal patterns from data-rich source modes and adapts them to data-scarce target modes, alleviating the dependence on extensive target-domain histories. Extensive experiments on real-world datasets demonstrate that TransMod consistently outperforms existing approaches and provides robust forecasting performance under limited target data.
Abstract（参考訳）: 都市交通システムは、同一都市内で共存し、複雑な相互依存を示す複数のモビリティモードで構成されており、モード間の相関的な需要動態につながっている。しかし、空間のかなりの不均一性や、新しいモードの履歴データの入手が限られているため、様々なモードで同時需要を予測することは依然として困難である。既存の予測手法は主に個別のモビリティモード向けに開発されており、ソースとターゲットシステム間の空間構造を暗黙的に仮定することで、マルチモーダル環境での適用性を著しく制限している。これらの課題に対処するために,異種移動モード間の効果的な知識伝達を可能にする都市移動需要予測のための統合フレームワークである「textbf{TransMod}」を提案する。 TransModは共有ゾーンレベルの空間表現を構築し、異なる空間的粒度を持つ移動系を共通空間に整列させ、構造ミスマッチと分布シフトを低減する。この統一表現に基づいて構築されたTransModは、データリッチソースモードから転送可能な時空間パターンを学習し、それらをデータシャースターゲットモードに適応することで、広範囲なターゲットドメイン履歴への依存を緩和する。実世界のデータセットに関する大規模な実験は、TransModが既存のアプローチを一貫して上回り、限られたターゲットデータの下で堅牢な予測性能を提供することを示した。

関連論文リスト

MobiDiff: Semantic-Aware Multi-Channel Discrete Diffusion for Human Mobility Data Generation [15.547763516860678]
本稿では,合成モビリティデータ生成のためのエンドツーエンドの離散拡散フレームワークMobiDiffを紹介する。 MobiDiffは、人間のチェックインイベントを空間的、時間的チャネルに分解し、構造化されたイベントレベル、グループレベル、チャネルレベルのマスキングを使用する。アトランタ、ボストン、シアトルの3つの大規模な実世界のデータセットに対して、生成の忠実度、プライバシ保護、効率を評価する。
論文参考訳（メタデータ） (2026-07-09T11:08:39Z)
DSFNet: Learning Dual-Domain Spectral Operators for Multi-Modality Spatio-Temporal Forecasting in Urban Transportation Systems [51.72074484150301]
本稿ではDSFNet(Dual-Domain Spectral Network)を提案し,変数間の関係を明示的にモデル化する。このフレームワークは、異種空間パターンを捉えるために、二重領域スペクトルフィルタリングを用いる。 2番目のベースラインと比較して、DSFNetはこれらのデータセット間でMAEを3.21%-10.16%削減する。
論文参考訳（メタデータ） (2026-06-05T07:33:57Z)
HEAT: Heterogeneous End-to-End Autonomous Driving via Trajectory-Guided World Models [50.18051979020699]
エンドツーエンドの自動運転は、従来のモジュラーパイプラインに代わる魅力的な代替手段として登場した。本稿では,計画軌道に関する学習を組織する軌道駆動学習パラダイムを提案する。一つの統一モデルが、各ドメイン内で強いパフォーマンスを維持しながら、異種データセット上でトレーニング可能であることを示す。
論文参考訳（メタデータ） (2026-05-19T10:12:01Z)
Learning Multi-Modal Mobility Dynamics for Generalized Next Location Recommendation [51.00494428978262]
位置推薦タスクの移動力学を特徴付けるために,マルチモーダルな時空間知識を利用する。まず、マルチモーダル表現のための統合時空間関係グラフ(STRG)を構築する。第二に、異なるモーダルの空間時間グラフ表現を融合するゲーティング機構を設計する。
論文参考訳（メタデータ） (2025-12-27T14:23:04Z)
Modeling realistic human behavior using generative agents in a multimodal transport system: Software architecture and Application to Toulouse [0.0]
本稿では,複雑なマルチモーダル輸送システムにおける現実的な人間の移動挙動をモデル化するためのアーキテクチャを提案する。エージェント・ベース・シミュレーションにLarge Language Models (LLMs) を適用し,実際の都市環境における意思決定を捉える。その結果、エージェントはコンテキスト対応のトランスポート決定を行うだけでなく、時間とともに習慣を形成する。
論文参考訳（メタデータ） (2025-10-22T11:45:44Z)
CAMS: A CityGPT-Powered Agentic Framework for Urban Human Mobility Simulation [9.907406552578607]
textbfCAMSは、言語に基づく都市基盤モデルを利用して都市空間における人間の移動をシミュレートするエージェントフレームワークである。 textbfCAMSは、外部に提供された地理空間情報に頼ることなく、優れた性能を達成する。
論文参考訳（メタデータ） (2025-06-16T15:24:07Z)
Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
論文参考訳（メタデータ） (2025-01-20T07:12:40Z)
A Universal Model for Human Mobility Prediction [7.542075639525391]
個人軌跡と群集の流れの両方に適用可能なユニバーサルな人体移動予測モデル(UniMob)を提案する。このモデルでは,MAPE と Accuracy@5 で 14% 以上,25% 以上のパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2024-12-19T07:38:13Z)
Decision Mamba: A Multi-Grained State Space Model with Self-Evolution Regularization for Offline RL [57.202733701029594]
本稿では,自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。これらの課題に対処するため、我々は自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。雑音性軌道上における過度に適合する問題を緩和するために,進行正則化を用いて自己進化政策を提案する。
論文参考訳（メタデータ） (2024-06-08T10:12:00Z)
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)

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。