論文の概要: LTV-CTDNet: Compositional Turning Decomposition for Short-Term Turning-Movement Forecasting

• arxiv url: http://arxiv.org/abs/2609.34014v1
• Date: Sun, 27 Sep 2026 23:18:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 07:49:17.584622
• Title: LTV-CTDNet: Compositional Turning Decomposition for Short-Term Turning-Movement Forecasting
• Title（参考訳）: LTV-CTDNet:短期移動予測のための構成変換分解
• Abstract要約: 本研究はLTV-CTDNet(Linear Temporal-Variable compositional Turning Decomposition Network)を紹介する。 LTV-CTDNetはテネシー州ナッシュビルの8カ所で15分間のLiDAR観測を行った。 最強のシーケンスモデルに比べて精度は向上したが、負の予測は得られなかった。
• 参考スコア（独自算出の注目度）: 0.8197459420866039
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Short-term turning-movement forecasts can support signal control and corridor operations, but unconstrained neural networks may produce physically impossible negative counts or outputs that are not explicitly tied to an approach-demand total. This study introduces the Linear Temporal-Variable Compositional Turning Decomposition Network (LTV-CTDNet), a forecasting framework designed to combine competitive accuracy with structurally admissible outputs. LTV-CTDNet was evaluated using seven months of 15-minute LiDAR observations from eight monitored corridor locations in Nashville, Tennessee. Its lightweight encoder combines recent turning-movement history, weekly time-slot embeddings, and location embeddings. The Compositional Turning Decomposition framework separately predicts nonnegative approach totals and within-approach turning proportions, then reconstructs movement forecasts from these components. Among the evaluated predefined configurations, LTV-CTDNet achieved a movement-level MAE of 1.8189 and RMSE of 3.8072. Its accuracy gains over the strongest sequence models were modest, but it produced no negative forecasts, while unconstrained learned models generated negative values in approximately 10.6% to 29.2% of raw forecast cells. The framework enforces nonnegative outputs and exact agreement between each model-predicted approach total and the sum of its component movements by construction, providing directly interpretable forecasts without clipping or coherence correction.
• Abstract（参考訳）: 短期の旋回移動予測は信号制御と回廊操作をサポートすることができるが、制約のないニューラルネットワークは物理的に不可能な負のカウントや出力を生成し、これはアプローチ要求全体と明示的に結び付けられていない。 本研究では,LTV-CTDNet(Linear Temporal-Variable Compositional Turning Decomposition Network)を提案する。 LTV-CTDNetはテネシー州ナッシュビルの8カ所で15分間のLiDAR観測を行った。 その軽量エンコーダは、最近の回転移動履歴、週毎のタイムスロット埋め込み、位置埋め込みを組み合わせたものである。 構成変換分解フレームワークは、非負のアプローチ総数と適用内回転比率を別々に予測し、これらのコンポーネントから運動予測を再構築する。 事前定義された構成の中で、LTV-CTDNetは1.8189の運動レベルMAEと3.8072のRMSEを達成した。 最強のシークエンスモデルに比べて精度は低かったが、負の予測は得られず、未制約の学習モデルでは生の予測細胞の約10.6%から29.2%で負の値が得られた。 このフレームワークは、各モデル予測アプローチの総和と構成によるコンポーネントの動きの総和との非負の出力と正確な一致を強制し、クリップやコヒーレンス補正なしに直接解釈可能な予測を提供する。

関連論文リスト

• Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
  Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。 EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。 本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
  論文  参考訳（メタデータ） (2026-08-24T15:06:18Z)
• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• Do AI Forecast Ensembles Sample the Correct Conditional Distribution? [0.3538763598295922]
  我々は,米国東海岸の干潟8地点で,確率的海底海水準予測のための拡散モデルを訓練した。 その結果,各駅における正の技量とリードタイムの正の技量と,共同空間構造が気候学的なドローよりも悪いことが判明した。
  論文  参考訳（メタデータ） (2026-08-09T23:16:10Z)
• Stale but Stable: Staleness-Adaptive Trust Regions for Stabilizing Asynchronous Reinforcement Learning [33.56197101721029]
  非同期強化学習は、最適化からロールアウト生成を分離することでスループットを向上させる。 結果として生じる不安定さは必然的な副産物であり、ポリシーラグ、エンジン遅延、およびエキスパートの混合ルーティングによって共同で合成される。 本稿では,分割されたサンプルログ比を実用的な安定化プロキシとして利用するStaleness-Adaptive Trust Region (SAT)を紹介した。
  論文  参考訳（メタデータ） (2026-07-21T05:27:50Z)
• Anticipatory Reinforcement Learning for Trajectory Tracking [0.40831821256838124]
  DRL状態空間を目標速度と将来の基準地平線で拡張する予測定式化を導入する。 その結果、9倍の誤差が減少し、平均絶対偏差は2.73から0.31に低下した。 より単純な1つのルックアヘッド水平線を用いた構成は、最も複雑なモデルの実際のトップパフォーマンスと一致した。
  論文  参考訳（メタデータ） (2026-07-03T09:21:16Z)
• Divide-and-Conquer Modeling for the CTF-4-Science Lorenz Benchmark [0.0]
  この研究は、12の隠れスコアと5つのシナリオファミリーにわたるカオスシステム予測を評価する。 1つのモデルクラスに全てのレシエーションを処理するように強制するのではなく、最終システムは各予測ブロックとタスクグループの評価動作を一致させた。
  論文  参考訳（メタデータ） (2026-06-08T19:08:22Z)
• A Held-Out Transition-Pair Falsifier for Long-Horizon Non-Abelian State Tracking [0.5076419064097734]
  有限非アベリア群追跡のためのホールドアウト遷移ペアファルシファイアを導入する。 制御された$S_3 times S_3$ベンチマークでは、長さ8列のみに基づいてトレーニングされた投影されたリカレント状態モデルがエラーのない最終状態予測を生成する。
  論文  参考訳（メタデータ） (2026-06-05T13:26:41Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• Tangent Model Composition for Ensembling and Continual Fine-tuning [69.92177580782929]
  タンジェントモデル合成(Tangent Model composition, TMC)は、事前訓練された点を中心に微調整されたコンポーネントモデルを独立に結合する手法である。 TMCの精度は4.2%向上し、非線形微調整モデルの精度は4.2%向上した。
  論文  参考訳（メタデータ） (2023-07-16T17:45:33Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)

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。