論文の概要: DSWM: Decomposed Spatio-Temporal World Model for Demand-Driven UAV Base Station Repositioning

• arxiv url: http://arxiv.org/abs/2609.36845v1
• Date: Tue, 29 Sep 2026 06:56:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.249507
• Title: DSWM: Decomposed Spatio-Temporal World Model for Demand-Driven UAV Base Station Repositioning
• Title（参考訳）: DSWM: 需要駆動型UAV基地局再配置のための時空間時空間モデル
• Abstract要約: 本稿では,航空基地局に対する需要駆動型艦隊最適化手法を提案する。 本研究では,指数移動平均(EMA)に基づく潜在予測目標を分散正則化を用いて再帰的状態空間モデルとして学習する。 毎週のサービス提供比率は0.889、0.908、0.898で、データセットごとの非拡張構成の中では第1位です。
• 参考スコア（独自算出の注目度）: 44.08640139884205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncrewed aerial vehicle base stations (UAV-BSs) are expected to cover traffic demand that shifts across space and time, yet most repositioning schemes either re-solve an optimization problem per slot or learn reactive policies without an explicit demand model. We cast demand-driven fleet repositioning as latent-space decision-time planning and propose DSWM, a decomposed spatio-temporal world model: an agentic controller that perceives the demand field through a rolling observation window, retains operational context in a latent recurrent state, reasons about candidate motions by imagined rollouts under an uncertainty penalty, and coordinates the fleet through replanned first actions. DSWM learns a recurrent state-space model shaped by an exponential-moving-average (EMA) based latent predictive objective with variance regularization. It attaches a differentiable service simulator that replays the association, probabilistic line-of-sight channel, and Shannon rate chain inside latent rollouts. Planning uses a cross-entropy method whose imagined demand is anchored on the current observation window with mixing coefficient $ρ=0.95$. On a unified pipeline over three real datasets (Milan CDR (call detail record), Shanghai Telecom, YJMob100K) and 14 methods including five reproduced IEEE baselines, DSWM attains weekday served ratios of 0.889, 0.908, and 0.898, ranking first among non-ablated configurations on every dataset. On Milan it improves over the strongest non-learning baseline (Greedy, 0.780) by 0.109, a margin that comes from decision-time use of observations rather than prediction accuracy.
• Abstract（参考訳）: 無人航空機基地局(UAV-BS)は、空間と時間にまたがる交通需要をカバーすることが期待されているが、ほとんどの再配置スキームは、スロットごとの最適化問題を再解決するか、明示的な需要モデルなしで反応ポリシーを学ぶかのいずれかである。 我々は、潜時空間決定時計画として需要駆動型艦隊再配置を提案し、分解時時空間モデルであるDSWMを提案する。これは、転がり観測窓を通して需要場を知覚し、潜時リカレント状態における運用状況を維持するエージェントコントローラであり、不確実なペナルティの下でのロールアウトによる候補動作の理由と、計画された最初の行動を通じて艦隊を調整する。 DSWMは、指数移動平均(EMA)に基づく潜在予測対象を分散正則化で形作る再帰状態空間モデルを学ぶ。 それは差別化可能なサービスシミュレーターを装着し、ラテントロールアウト内のアソシエーション、確率的な視線チャネル、シャノンレートチェーンを再生する。 計画では、現在の観測窓に需要が固定され、混合係数が$ρ=0.95$であるクロスエントロピー法を用いる。 3つの実際のデータセット(Milan CDR (call details record), Shanghai Telecom, YJMob100K)上の統一パイプラインと5つの再現されたIEEEベースラインを含む14のメソッドでは、DSWMは毎週0.889、0.908、0.898の比率で提供され、データセットの非拡張構成の中で第1位である。 ミラノでは最強の非学習ベースライン(Greedy, 0.780)を0.109に改善している。

関連論文リスト

• FlowATC: Aircraft Trajectory Prediction via Flow Matching [39.046509366232065]
  本稿では,航路ラベルやチャート管理を伴わない,歴史的航空機軌道に特化して訓練されたフローマッチングアーキテクチャを提案する。 我々のモデルは、ネイティブで不規則なADS-Bサンプリング間隔で直接訓練される。 予測地平線により誤差は良好に低下し, 時間的劣化フィードで再トレーニングした場合, アーキテクチャが有効であることを示す。
  論文  参考訳（メタデータ） (2026-09-15T02:21:06Z)
• Recovering Physical Dynamics from Discrete Observations via Intrinsic Differential Consistency [12.266189649117003]
  我々は地域の監督をグローバルな構造的制約に置き換える。 この特性からの偏差が2つの目的に作用する時間条件のセカント速度場を訓練する。 トレーニング正則化器として、時間スケールで一貫して構成されるフローに仮説空間を限定する。
  論文  参考訳（メタデータ） (2026-05-08T20:24:32Z)
• EAGLE: Edge-Aware Graph Learning for Proactive Delivery Delay Prediction in Smart Logistics Networks [0.5653106385738822]
  本稿では,プロアクティブサプライチェーンリスク管理のためのハイブリッドディープラーニングフレームワークを提案する。 提案手法は,軽量な Transformer patch encoder を用いて時間次数フローのダイナミクスを共同でモデル化する。 このフレームワークは0.0089のクロスシードF1標準偏差を示しており、最高の改良版よりも3.8倍改善されている。
  論文  参考訳（メタデータ） (2026-04-06T23:35:15Z)
• Behavioral Score Diffusion: Model-Free Trajectory Planning via Kernel-Based Score Estimation from Data [11.599621915522802]
  EmphBehavioral Score Diffusion (BSD) を導入する。 BSDは、カーネル重み付け推定による軌道データのライブラリから直接拡散スコア関数を計算する。 BSDは、最寄りの検索(18～63%の改善)を大幅に上回っている
  論文  参考訳（メタデータ） (2026-04-01T02:21:53Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• 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)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Low-Rank Autoregressive Tensor Completion for Spatiotemporal Traffic Data Imputation [4.9831085918734805]
  データ計算の欠如は長年の研究課題であり、現実世界のインテリジェント交通システムにとって重要な応用である。 テキストの時間変化を新たな正規化項として導入し,低ランク自動回帰テンソル補完(LATC)フレームワークを提案する。 本研究では,複数の実世界の交通データ集合について広範な数値実験を行い,LATCの有効性を実証した。
  論文  参考訳（メタデータ） (2021-04-30T12:00:57Z)

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。