Fugu-MT 論文翻訳(概要): Multi-Horizon Explainable Queue Forecasting and Resource-Aware Decision Support for Intelligent Border Control Using LightGBM

論文の概要: Multi-Horizon Explainable Queue Forecasting and Resource-Aware Decision Support for Intelligent Border Control Using LightGBM

arxiv url: http://arxiv.org/abs/2610.15930v1
Date: Sun, 11 Oct 2026 21:27:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-15 21:06:15.272139
Title: Multi-Horizon Explainable Queue Forecasting and Resource-Aware Decision Support for Intelligent Border Control Using LightGBM
Title（参考訳）: LightGBMを用いた知的境界制御のためのマルチ水平説明型キュー予測とリソース認識決定支援
Abstract要約: 国境横断点は、交通需要、旅行者カテゴリー、登録状況、検査要件、人員配置、車線可用性が複数の時間スケールで相互作用するサービスシステムである。本稿では、実装指向のマルチ水平予測と意思決定支援アーキテクチャを導入することで、初期のマルチモーダルキュー管理フレームワークを拡張した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Border crossing points are stochastic service systems in which traffic demand, traveler categories, registration status, inspection requirements, staffing, and lane availability interact on multiple time scales. This paper extends an earlier multimodal queue-management framework by introducing an implementation-oriented, multi-horizon forecasting and decision-support architecture based on Light Gradient Boosting Machine (LightGBM) models. In contrast to a single forecasting block, the proposed approach constructs horizon-specific regressors for 15, 30, 60, and 120 min forecasts and jointly estimates future waiting time and queue lengths. The models operate on temporally lagged traffic, service, density, and queue features, while an operational layer incorporates lane compatibility, officer availability, possibly degraded resources, traveler category, preregistration information, and human-approval constraints. Quantile LightGBM models provide 95\% prediction intervals for waiting-time forecasts. Beyond prediction, the framework produces machine-readable recommendations, alerts, aggregate key performance indicators, confidence information, and integration outputs suitable for border resource-management and decision-support systems. The results establish a reproducible synthetic-data baseline and a practical interface for subsequent validation with operational border-crossing data.
Abstract（参考訳）: 国境横断点は、交通需要、旅行者カテゴリー、登録状況、検査要件、人員配置、車線可用性が複数の時間スケールで相互作用する確率的なサービスシステムである。本稿では,Light Gradient Boosting Machine (LightGBM)モデルに基づく実装指向のマルチ水平予測と意思決定支援アーキテクチャを導入することで,初期のマルチモーダルキュー管理フレームワークを拡張した。 1つの予測ブロックとは対照的に,提案手法は15,30,60,120分間の水平比回帰器を構築し,今後の待ち時間と待ち行列の長さを共同で推定する。運用層には、車線互換性、役員の可用性、潜在的に劣化したリソース、旅行者カテゴリ、事前登録情報、人間認定制約が含まれている。量子LightGBMモデルは、待ち時間予測のために95%の予測間隔を提供する。予測以外にも、このフレームワークは、マシン可読なレコメンデーション、アラート、重要なパフォーマンス指標の集約、信頼性情報、境界リソース管理と意思決定支援システムに適した統合アウトプットを生成する。その結果, 再現可能な合成データベースラインと, 操作境界交差データによる検証のための実用的なインターフェースが確立された。

関連論文リスト

Spatiotemporal Multi-Task Graph Transformer for Trip-Level Transit Prediction [6.06184145292026]
既存のアプローチは、しばしば固定時間的、空間的、あるいは停止レベルの時間的モデリングに依存している。本研究では,連続列モデルとしてトリップレベル遷移予測をフレーム化するマルチテンポラルグラフ変換器を提案する。主要なコンポーネントは、マルチリレーショナルな類似性のためのグラフ埋め込み、天気と時間情報のためのコンテキストエンコーダ、タスク固有のデコーダ表現を生成する混合専門家モジュールである。
論文参考訳（メタデータ） (2026-05-30T06:49:26Z)
LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文参考訳（メタデータ） (2026-05-11T09:54:02Z)
CastFlow: Learning Role-Specialized Agentic Workflows for Time Series Forecasting [74.29761960394848]
大規模言語モデル(LLM)のための動的エージェント予測フレームワークであるCastFlowを提案する。 CastFlowは予測プロセスを計画、アクション、予測、リフレクションに編成し、エージェントワークフローを確立する。第3に、CastFlowは、汎用推論と特殊な数値予測を組み合わせたロール特殊化設計を採用する。
論文参考訳（メタデータ） (2026-04-30T13:24:42Z)
Organizational Security Resource Estimation via Vulnerability Queueing [0.0]
脆弱性タイムスタンプから直接、組織のサイバーリソースを綿密に見積もるアプローチを提供する。その結果,資源推定における91～96%の精度が得られた。
論文参考訳（メタデータ） (2026-04-11T15:29:08Z)
Streaming Real-Time Trajectory Prediction Using Endpoint-Aware Modeling [54.94692733670454]
近隣の交通機関の将来の軌道は、自動運転車の経路計画と意思決定に大きな影響を与えている。本稿では,軽量かつ高精度なストリーミングベース軌道予測手法を提案する。当社のアプローチは推論遅延を大幅に低減し、現実のデプロイメントに適しています。
論文参考訳（メタデータ） (2026-03-02T13:44:23Z)
Climber-Pilot: A Non-Myopic Generative Recommendation Model Towards Better Instruction-Following [19.550149895505683]
Climber-Pilotは統合された生成検索フレームワークである。 TAMIP(Time-Aware Multi-Item Prediction)は、遺伝的検索において固有の近視を緩和する新しいトレーニングパラダイムである。また,ビジネス制約をスパース・アテンションを介して生成プロセスに直接組み込むコンディションガイド付きスパース・アテンション(CGSA)を提案する。
論文参考訳（メタデータ） (2026-02-14T03:46:06Z)
Task-Oriented Feature Compression for Multimodal Understanding via Device-Edge Co-Inference [54.53508601749513]
本稿では,マルチモーダル理解のためのタスク指向特徴圧縮(TOFC)手法を提案する。圧縮効率を向上させるために、視覚特徴の特性に基づいて複数のエントロピーモデルを適応的に選択する。その結果,TOFCはデータ転送オーバーヘッドを最大52%削減し,システム遅延を最大63%削減できることがわかった。
論文参考訳（メタデータ） (2025-03-17T08:37:22Z)
Multiscale Representation Enhanced Temporal Flow Fusion Model for Long-Term Workload Forecasting [19.426131129034115]
本稿では,自己指導型マルチスケール表現学習を利用して,長期および短期のワークロードパターンを抽出する新しいフレームワークを提案する。長期履歴はマルチスケール表現によって符号化され、短期観測は時流融合によってモデル化される。
論文参考訳（メタデータ） (2024-07-29T04:42:18Z)
Similarity-based Feature Extraction for Large-scale Sparse Traffic Forecasting [4.295541562380963]
NeurIPS 2022 Traffic4cast チャレンジは、公共に利用可能なスパースループ数データで都市全体の交通状態を予測することを目的としている。この技術報告は、ETA予測の拡張課題に対して、私たちの2位獲得ソリューションを紹介します。
論文参考訳（メタデータ） (2022-11-13T22:19:21Z)
Tailored Learning-Based Scheduling for Kubernetes-Oriented Edge-Cloud System [54.588242387136376]
エッジクラウドシステムのための学習ベースのスケジューリングフレームワークkaisを紹介する。まず,分散した要求ディスパッチに対応するために,協調型マルチエージェントアクタ-クリティックアルゴリズムを設計する。次に,多種多様なシステムスケールと構造について,グラフニューラルネットワークを用いてシステム状態情報を埋め込む。第3に、リクエストディスパッチとサービスオーケストレーションを調和させる2段階のスケジューリングメカニズムを採用します。
論文参考訳（メタデータ） (2021-01-17T03:45:25Z)

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。