論文の概要: Joint upper-bound coverage and route-choice utility: an empirical evaluation on two urban proxy tasks

• arxiv url: http://arxiv.org/abs/2610.06995v1
• Date: Sun, 04 Oct 2026 07:48:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.499076
• Title: Joint upper-bound coverage and route-choice utility: an empirical evaluation on two urban proxy tasks
• Title（参考訳）: 共同上行線カバーと経路選択ユーティリティー:2つの都市プロキシータスクに関する実証的評価
• Abstract要約: 我々は,150のオリジン先対,3つの候補経路,14の試験日からなるオフラインのプロキシタスクを構築した。 北京M1では83.19%から92.26%に、Chengdu M1では75.14%から88.33%に、Chengdu M2では74.01%から90.64%に増加している。 しかし、C2は、それぞれ0.1633、0.7848、0.9200ポイント、平均走行時間は0.588、3.082、および4.418秒に増加する。
• 参考スコア（独自算出の注目度）: 1.878483067939456
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Whether more accurate traffic forecasts or higher uncertainty coverage improve route decisions is unclear. We evaluate this question with a frozen protocol that separates speed error, joint candidate path upper bound coverage, route selection, and realized loss. Using processed road speed data from Beijing and Chengdu, we construct offline proxy tasks with 150 origin destination pairs, three candidate paths, and 14 test days per city. We compare raw 90th percentile path time bounds with jointly calibrated upper bounds under minimum bound route choice. Joint coverage rises from 83.19% to 92.26% in Beijing M1, from 75.14% to 88.33% in Chengdu M1, and from 74.01% to 90.64% in Chengdu M2. Yet C2 increases lateness by 0.1633, 0.7848, and 0.9200 percentage points, respectively, and mean travel time by 0.588, 3.082, and 4.418 seconds. In a separate Chengdu predictor comparison, a 14.91% reduction in speed mean absolute error accompanies a 1.4571 percentage point reduction in lateness under C0. Joint coverage is therefore not a surrogate for downstream route utility in these frozen tasks the offline results do not establish online or causal benefits.
• Abstract（参考訳）: より正確な交通予測や、より高い不確実性カバレッジが経路決定を改善するかどうかは不明だ。 この問題を,速度誤差,結合候補経路の上限範囲,経路選択,損失を分離するフリーズプロトコルを用いて評価する。 北京とChengduの処理した道路速度データを用いて,150の原点対,3つの候補経路,14の試験日からなるオフラインのプロキシタスクを構築した。 我々は,最小限の経路選択の下で,90分の1の経路時間境界と結合校正された上部境界との比較を行った。 北京M1では83.19%から92.26%に、Chengdu M1では75.14%から88.33%に、Chengdu M2では74.01%から90.64%に増加している。 しかし、C2は、それぞれ0.1633、0.7848、0.9200ポイント、平均走行時間は0.588、3.082、および4.418秒に増加する。 別のChengdu予測器の比較では、速度平均の14.91%の絶対誤差はC0以下の遅延の1.4571ポイントの減少を伴う。 したがって、統合カバレッジは、これらの凍結されたタスクにおいて、ダウンストリームルートユーティリティのサロゲートではない。

関連論文リスト

• Caption-Mediated Perceived-Safety Estimation for Pedestrian Routing [3.483244025020902]
  本稿では,道路レベルの画像から認識される安全度を推定する,歩行者経路に対する説明可能なアプローチを提案する。 このアプローチは、北イングランドの2カ所で36の選挙区をカバーする654,115枚以上の画像が展開された。
  論文  参考訳（メタデータ） (2026-09-29T20:08:10Z)
• PV-WM: A Heterogeneous Micro-Macro World Model for Articulated Pedestrian-Vehicle Co-Rollout [36.25772061017794]
  PV-WMは、構造化後知覚トラック上での履歴のみのワールドモデルである。 歩行者のルート運動、15関節関節、学習車両状態を同期した異種状態内で繰り返し進行させる。 824の文脈で、797が有効な将来の車両支援を提供し、PV-WMはRoot ADEを5.2%削減し、MPJPEを7.6%、P-V距離誤差を11.9%削減した。
  論文  参考訳（メタデータ） (2026-09-07T10:45:26Z)
• Rehearse: Stepping Back from the Confidence Cliff in Self-Improving Autoresearch [44.05969616406614]
  Autoresearchは、変更を提案し、フルトレーニングジョブを実行し、メトリックを改善する変更を維持することによって、マシンラーニングコードを改善する。 本研究では,この事前執行判断の信頼性が,自動検索の軌道上でどのように変化するかを検討する。
  論文  参考訳（メタデータ） (2026-07-30T05:08:15Z)
• Multi-Agent Reinforcement Learning for Safe Autonomous Driving Under Pedestrian Behavioral Uncertainty [3.682030314397244]
  MAPPO(Multi-Agent Proximal Policy Optimization)を用いたSDCと12人の歩行者の共同訓練 500エピソード評価では、共同訓練したSDCは14%の衝突率で78%に達し、最高のルールベースラインでは35%/33%に達した。 ジェイウォーキングは交差する事象の13%で、衝突の62%で、衝突を1歳児のRLと比較して30%減らした。
  論文  参考訳（メタデータ） (2026-05-18T12:02:41Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• Research on Expressway Congestion Warning Technology Based on YOLOv11-DIoU and GRU-Attention [0.0]
  既存の「検出予測」システムには重大な欠陥がある。 交通流の認識には、2つのベースラインアルゴリズムが最適化された。 DeepSortは4つのIDスイッチで93.8%のMOTA(11.3%)に達した。 渋滞警告のために、渋滞前駆体を捕捉するGRU-Attentionモデルが構築された。
  論文  参考訳（メタデータ） (2025-09-15T13:35:43Z)
• An Optimized Evacuation Plan for an Active-Shooter Situation Constrained by Network Capacity [0.0]
  緊急避難は非常にストレスが強いため、検証可能なリアルタイム情報が欠如しているため、致命的な誤った判断につながる可能性がある。 本研究では,各避難者に対して最適な経路を複数決定する多経路経路最適化アルゴリズムを提案する。 提案アルゴリズムは, 容量制約のない以前のルーティングアルゴリズムと, 専門家が推奨するルーティング戦略と比較して, 総損失を34.16%, 53.3%削減する。
  論文  参考訳（メタデータ） (2025-04-29T18:06:00Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)

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。