Fugu-MT 論文翻訳(概要): Inferring Urban Mobility Interactions from Aggregated Dynamics

論文の概要: Inferring Urban Mobility Interactions from Aggregated Dynamics

arxiv url: http://arxiv.org/abs/2609.07349v1
Date: Mon, 07 Sep 2026 11:13:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.416246
Title: Inferring Urban Mobility Interactions from Aggregated Dynamics
Title（参考訳）: 凝集動態による都市移動性相互作用の推算
Abstract要約: リアルタイムの都市ガバナンスは、人々がどこにいるかを知るだけでなく、場所間の移動方法にも依存します。ここでは、この方向構造を観察する必要はないことを示す。我々は、米国と中国の都市から12のモビリティデータセットにまたがって、地域レベルでのODフローを推測する。
参考スコア（独自算出の注目度）: 45.73534370352232
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Real-time urban governance depends not only on knowing where people are, but on how they move between places, directional flows that could be conventionally resolved by tracking individuals through space, i.e., expensive to sustain and built on traces that are highly unique and readily re-identifiable. Here we show that this directional structure need not be observed to be known: aggregated counts which cities already collect retain enough information to reconstruct the temporal evolution of origin-destination (OD) matrix. Using an uncertainty-aware physics-informed framework, we infer future OD flows from area-level counts alone across twelve mobility datasets from cities in the United States and China, reaching accuracy comparable to models that take historical OD matrices as input. Probabilistic modeling corrects the systematic underestimation of sparse, high-value corridors and yields calibrated predictions consistent with observed flows. Architectures that respect the generation-before-assignment logic of transport planning recover interactions more faithfully, indicating that location-level spatial heterogeneity should be preserved before pairwise interactions are reconstructed. Because inference requires only aggregated observations after training, recovering interactions this way reduces reliance on continuous individual-level tracking, pointing toward a more deployable and less exposure-heavy basis for real-time urban intelligence.
Abstract（参考訳）: リアルタイムの都市ガバナンスは、人々がどこにいるかを知るだけでなく、場所間の移動の仕方にも依存する。ここでは、この方向構造が知られてはならないことを示す: 既に収集されている都市が、原点決定行列(OD)の時間的進化を再構築するのに十分な情報を保持している集計数。不確実性を認識した物理インフォームドフレームワークを用いて、米国と中国の都市から12のモビリティデータセットにまたがる領域レベルの数だけから、将来のODフローを推定し、過去のOD行列を入力として捉えるモデルに匹敵する精度に達する。確率論的モデリングは、スパース高値回廊の系統的過小評価を補正し、観測された流れと整合した校正された予測を行う。輸送計画の世代割り当てロジックを尊重するアーキテクチャは、相互の相互作用が再構築される前に、位置レベルの空間的不均一性を保存すべきであることを示す。推論はトレーニング後にのみ集約された観察を必要とするため、この方法でのインタラクションの回復は、個々のレベルの継続的なトラッキングへの依存を減らす。

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)
Mobility Anomaly Generation using LLM-Driven Behavior with Kinematic Constraints [1.330528227599978]
本稿では,現実的な軌跡異常を大規模に合成するエンド・ツー・エンドな生成フレームワークを提案する。我々のアーキテクチャは、純粋に合成されたモビリティデータと複雑な現実世界の物理的な制約の間のギャップを埋める。
論文参考訳（メタデータ） (2026-06-09T02:09:02Z)
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)
Identifying and Characterising Higher Order Interactions in Mobility Networks Using Hypergraphs [1.1060425537315088]
本研究では,時間的観測窓を利用したグループ間相互作用抽出モデルであるコビジュエーションハイパーグラフを提案する。パターンマイニングを頻繁に行うことで,異なる空間的・時間的スケールにわたる動的移動挙動を捉えたハイパーグラフを構築した。我々のハイパーグラフに基づくモビリティ分析フレームワークは,様々な分野に適用可能なツールとして有用であることを示す。
論文参考訳（メタデータ） (2025-03-24T11:29:06Z)
TEAM: Topological Evolution-aware Framework for Traffic Forecasting--Extended Version [24.544665297938437]
交通予測のためのトポロジカル進化認識フレームワーク(TEAM)には、畳み込みと注意が組み込まれている。 TEAMは、予測精度を損なうことなく、既存の方法よりもはるかに低い再訓練コストを削減できる。
論文参考訳（メタデータ） (2024-10-24T22:50:21Z)
TrajWeaver: Trajectory Recovery with State Propagation Diffusion Model [22.45472148224533]
希薄な原料から高密度・精細な軌道を回収できるTrajWeaverという新しい回収フレームワークを提案する。 TrajWeaverの中核は、新しい状態伝搬モデル(SPDM)であり、標準拡散モデルの上に新しい状態伝搬機構を導入する。広範囲な実験により、提案されたTrajWeaverは、様々な長さ、空間レベル、異種旅行モードの生軌道から回復できることが示された。
論文参考訳（メタデータ） (2024-09-01T06:42:19Z)
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)
Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation [99.54200992904721]
我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。 ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。 DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
論文参考訳（メタデータ） (2021-07-02T10:11:51Z)
A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文参考訳（メタデータ） (2020-03-13T04:35:50Z)
Interpretable Crowd Flow Prediction with Spatial-Temporal Self-Attention [16.49833154469825]
群衆の流れを予測する最も難しい部分は、複雑な空間的・時間的依存関係を測定することである。時空間表現全体を計算するためのST符号化ゲートを備えた時空間自己認識ネットワーク(STSAN)を提案する。交通および移動データに関する実験結果から,提案手法はTaxi-NYCデータセット上でRMSEの流入と流出を16%減らし,8%減らすことを示した。
論文参考訳（メタデータ） (2020-02-22T12:43:11Z)

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。