論文の概要: A Decision-Focused Neural Optimization Framework for Personalized Route Reproduction from Vehicle Trajectories

• arxiv url: http://arxiv.org/abs/2610.07857v1
• Date: Tue, 06 Oct 2026 07:00:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.861758
• Title: A Decision-Focused Neural Optimization Framework for Personalized Route Reproduction from Vehicle Trajectories
• Title（参考訳）: 自動車軌道からのパーソナライズされた経路再現のための決定焦点ニューラルネットワークフレームワーク
• Abstract要約: 本研究は,学習者固有の潜伏リンクコストに対する最短経路問題として,個々の経路再生を定式化する。 我々は、コンテキスト共変数をパーソナライズされたリンクコストに組み込む知覚モデルを含むニューラルネットワークを提案する。 エンド・ツー・エンドのトレーニングを可能にするために,予測最短経路を観測経路と整合させるために,意思決定中心の学習を採用する。
• 参考スコア（独自算出の注目度）: 1.4783646973333087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study formulates individual route reproduction as a shortest-path problem over learned driver-specific latent link costs. The central idea is that, once such latent costs are inferred from contextual information, observed routes can be reproduced without enumerating alternative route sets. We propose a neural pipeline that includes a perception model that embeds context covariates, which comprises individual characteristics, trip-specific attributes, and network-level traffic states, into the personalized link costs. A constrained optimization (CO) layer, which determines the shortest path (SP) based on these estimated costs, follows the perception encoder. To enable end-to-end training, we employ decision-focused learning to align the predicted shortest paths with observed routes. The implicit maximum likelihood estimation (iMLE) provides an approximate gradient of the loss function that contains the non-differentiable CO layer. Furthermore, a regularization term anchors the latent cost distribution to the empirical scale of observed link travel times, mitigating the scale ambiguity inherent in shortest-path supervision. Empirical evaluations demonstrate that the proposed framework outperforms baseline route choice models in path reproduction. The learned latent costs, interpreted as proxies for perceived travel costs, provide plausible explanations for heterogeneous route choices.
• Abstract（参考訳）: 本研究は,学習者固有の潜伏リンクコストに対する最短経路問題として,個々の経路再生を定式化する。 中心となる考え方は、そのような潜伏コストを文脈情報から推測すると、観測された経路は代替経路を列挙することなく再現できるということである。 本研究では,個々の特徴,旅行特化属性,ネットワークレベルのトラフィック状態を含む文脈共変量を含む知覚モデルを含むニューラルネットワークを,パーソナライズされたリンクコストに組み込む。 これらの推定コストに基づいて最短経路(SP)を決定する制約最適化(CO)層は、知覚エンコーダに従う。 エンド・ツー・エンドのトレーニングを可能にするために,予測最短経路を観測経路と整合させるために,意思決定中心の学習を採用する。 暗黙的最大推定(iMLE)は、非微分可能なCO層を含む損失関数の近似勾配を与える。 さらに、定期化という用語は、最短経路監視に固有のスケールの曖昧さを緩和し、観測されたリンク移動時間の経験的スケールに潜伏するコスト分布を固定する。 実験により,提案手法は経路再生におけるベースライン経路選択モデルより優れていることが示された。 学習遅延コストは、知覚される旅行コストのプロキシと解釈され、不均一な経路選択に関するもっともらしい説明を提供する。

関連論文リスト

• Coupled Optimal Transport with Landmark Constraints [64.98367856457412]
  最適輸送(OT)モデルは、所定の輸送コストや歪みを最小限に抑えて、分布間の地図や計画を求める。 本稿では,少数のアノテートされたランドマークを利用して,下層の変形の回復を誘導する新しい結合OTフレームワークを提案する。 提案するフレームワークは,ランドマークベース登録とトランスポートベース分布マッチングの原則的接続を提供する。
  論文  参考訳（メタデータ） (2026-08-20T08:28:13Z)
• AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
  動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。 我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。 我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-13T16:00:41Z)
• Route Before Retrieve: Activating Latent Routing Abilities of LLMs for RAG vs. Long-Context Selection [57.3886742625188]
  Pre-Routeは、応答前に構造化推論を実行するプロアクティブなルーティングフレームワークである。 本研究は, (i) LLMは, ガイドラインを確実に適用可能な遅延ルーティング能力を有すること, (ii) 線形プローブにより, 表現空間における最適ルーティングの分離性を高めること, (iii) 蒸留により, この推論構造を, 軽量展開のためのより小さなモデルに伝達すること,の3つの重要な知見を示す。
  論文  参考訳（メタデータ） (2026-05-11T09:10:55Z)
• Navigating in Uncertain Environments with Heterogeneous Visibility [1.5684305805304426]
  本稿では,情報収集に対する高可視位置へのデツーリングコストのバランスをとるアルゴリズムを提案する。 実世界の地形データに基づく地図を含む,不確実なナビゲーションタスクに対して,本手法を検証した。
  論文  参考訳（メタデータ） (2026-03-03T20:10:28Z)
• Learning Minimally-Congested Drive Times from Sparse Open Networks: A Lightweight RF-Based Estimator for Urban Roadway Operations [0.0]
  本稿では,最小渋滞車走行時間に対する軽量な推定器を開発した。 オープンなロードネットワークデータ、速度制約、スパース制御/ターン機能をランダムなフォレストフレームワークに統合する。 大都市圏でのポイント・ツー・ポイントの忠実さを保ち、資源の要求を減らし、防御可能な性能推定を供給している。
  論文  参考訳（メタデータ） (2026-01-04T09:54:44Z)
• 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)
• Inverse Optimization Latent Variable Models for Learning Costs Applied to Route Problems [4.836546574465436]
  観測された解からCOPコスト関数の潜在空間を学習する逆最適化潜在変数モデル(IO-LVM)を提案する。 本手法は, 船舶およびタクシーの航路の実際のデータセットと, 合成グラフの経路について検証する。
  論文  参考訳（メタデータ） (2025-09-19T14:10:51Z)
• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• Contextual Linear Optimization with Partial Feedback [35.38485630117593]
  本研究では,異なるタイプのフィードバックを持つ文脈線形最適化(CLO)のためのオフライン学習アルゴリズムのクラスを提案する。 我々は,IERMに対して,不特定モデルクラスとフレキシブルな推定方法の選択を可能にする,新しい高速遅延境界を提供する。
  論文  参考訳（メタデータ） (2024-05-26T13:27:27Z)

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。