論文の概要: From Rainfall to Road-Network Functionality: Transferable Graph Forecasting for Flood-Disrupted Transportation Networks

• arxiv url: http://arxiv.org/abs/2610.14622v1
• Date: Sat, 10 Oct 2026 06:11:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 12:36:35.12573
• Title: From Rainfall to Road-Network Functionality: Transferable Graph Forecasting for Flood-Disrupted Transportation Networks
• Title（参考訳）: 降雨から道路ネットワーク機能:洪水崩壊した交通網における移動可能なグラフ予測
• Abstract要約: 道路網の破壊は、緊急機動性、アクセシビリティ、避難、物流、インフラの復旧を妨害する可能性がある。 既存の洪水輸送の影響モデルでは、局所的なキャリブレーションや目標地域再訓練に依存するため、地域間での展開が困難な場合が多い。 G-R2Rは、エゴ中心のサブグラフサンプリング、地形条件付きグラフ表現、地域誘発デュアルレベル静的符号化、動的降雨-ネットワーク機能学習を統合している。
• 参考スコア（独自算出の注目度）: 2.85177102324953
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Extreme rainfall can rapidly degrade road-network functionality (RNF), disrupting emergency mobility, accessibility, evacuation, logistics, and infrastructure restoration. Existing flood-transportation impact models are often difficult to deploy across regions because they rely on local calibration, intensive simulation workflows or target-region retraining. This study proposes G-R2R, a transferable spatiotemporal graph-learning framework that reframes rainfall-induced road-network disruption as a region-conditioned, topology-flexible graph forecasting problem for unseen transportation networks. The framework integrates ego-centered subgraph sampling, terrain-conditioned graph representation, region-conditioned dual-level static encoding, and dynamic rainfall-network feature learning. Static geographic and infrastructure attributes are fused with rainfall forcing and recent RNF states to forecast node-level RNF across heterogeneous road networks. G-R2R is evaluated using simulation-derived RNF sequences from ten flood-prone regions in Wenzhou, China, under unseen-region testing protocols. It outperforms representative forecasting baselines, achieving a stabilized MAPE of 2.33% and $R^2$ of 0.855 under the fixed unseen-region benchmark. Leave-one-area-out evaluation yields stabilized MAPE values of 2.30%-3.54%. Ablation analysis supports the contributions of the terrain-conditioned graph representation and dual-level static encoding. A historical-event replay of Typhoon Fitow further shows that G-R2R reproduces principal temporal trajectories and node-level spatial patterns of the simulation-derived RNF reference under observed rainfall forcing without target-region retraining. These results support rapid and transferable node-level RNF forecasting across the regional road-network domains represented in this study.
• Abstract（参考訳）: 極度の降雨は、道路網の機能(RNF)を急速に低下させ、緊急機動性、アクセシビリティ、避難、物流、インフラの復旧を阻害する。 既存のフラッドトランスポートの影響モデルでは、局所的なキャリブレーション、集中的なシミュレーションワークフロー、ターゲット地域再訓練に依存するため、地域間でのデプロイが難しい場合が多い。 本研究では,G-R2Rを提案する。G-R2Rは,降雨に伴う道路網の破壊を,未確認交通網における地域条件のトポロジフレキシブルグラフ予測問題として再編成する,移動可能な時空間グラフ学習フレームワークである。 このフレームワークは、エゴ中心のサブグラフサンプリング、地形条件のグラフ表現、地域条件のデュアルレベル静的符号化、動的降雨-ネットワーク機能学習を統合している。 静的な地理的特性とインフラ特性は、降雨強制と最近のRNF状態に融合し、異種道路網をまたいだノードレベルRNFを予測する。 G-R2Rは,中国広州市で発生した10の洪水発生地域から得られたRNF配列を,未確認領域試験法で評価した。 予測ベースラインを上回り、2.33%の安定化MAPEと0.855の$R^2$を達成する。 残留1面積評価の結果、安定化MAPE値は2.30%-3.54%となる。 アブレーション解析は、地形条件付きグラフ表現とデュアルレベル静的符号化の寄与を支持する。 さらにTyphoon Fitowの過去のリプレイでは、G-R2Rは、標的領域のリトレーニングなしで観測された降雨強制の下で、シミュレーション由来のRNF参照の主時間軌道とノードレベルの空間パターンを再現している。 これらの結果は, 高速かつ伝達可能なノードレベルのRNF予測を, 本研究に代表される地域道路網領域にわたって支援する。

関連論文リスト

• Diagnose-to-Generate: Eliminating Structural Distortions in Flow Models via Patch-Level Grounded Alignment [55.60663579540744]
  フローベース画像生成装置は強力なセマンティック合成を実現するが、それでも局所的な構造歪みを生じさせる。 textitDiagnose-to-Generate (D2G) は、画像診断と生成最適化を分離する基盤的アライメントフレームワークである。
  論文  参考訳（メタデータ） (2026-10-13T07:37:52Z)
• Leveraging Teleconnections with Physics-Informed Graph Attention Networks for Long-Range Extreme Rainfall Forecasting in Thailand [0.2936007114555107]
  正確な降雨予測、特に極端な出来事は、気候学と地球システムにおいて重要な課題である。 本稿では,新しい物理インフォームドグラフニューラルネットワーク(GNN)と極値解析技術を組み合わせることで,タイ全土のゲージステーション降雨予測を改善することを提案する。
  論文  参考訳（メタデータ） (2025-10-14T09:34:14Z)
• Deep Learning to Identify the Spatio-Temporal Cascading Effects of Train Delays in a High-Density Network [7.850219269698452]
  本稿では,マルチステップ列車遅延予測のための新しいXGeoAIフレームワークを開発し,評価する。 この研究の核心は、2段階の自動回帰グラフ注意ネットワーク(GAT)モデルであり、オランダの鉄道ネットワークの40%以上をカバーする実世界のデータセットでトレーニングされている。 実運用における実稼働性をテストするため,このモデルを逐次kステップ先予測プロトコルを用いて厳格に評価する。
  論文  参考訳（メタデータ） (2025-10-10T13:03:00Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)
• Spatio-Temporal Graph Convolutional Networks for Road Network Inundation Status Prediction during Urban Flooding [1.376408511310322]
  本研究の目的は, 道路セグメントの近未来洪水の現状を, 道路セグメントの現状と隣接道路セグメントに基づいて予測することである。 道路セグメントレベルでの道路ネットワークの洪水状況の予測に関する既存の研究は欠落している。
  論文  参考訳（メタデータ） (2021-04-06T04:03:34Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• A Network Percolation-based Contagion Model of Flood Propagation and Recession in Urban Road Networks [2.5876546798940616]
  都市道路網は公共サービスの提供や緊急対応に不可欠である。 本研究では,都市道路網における洪水水の時空間拡散・後退過程を数学的に記述する。 提案モデルの適用は,2017年のハリケーン・ハーベイにおけるハリス郡の道路洪水の高解像度履歴データを用いて検証された。
  論文  参考訳（メタデータ） (2020-04-07T17:25:41Z)

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。