論文の概要: Agentic discovery of interpretable car-following laws from multi-source trajectory data

• arxiv url: http://arxiv.org/abs/2610.27836v1
• Date: Tue, 20 Oct 2026 08:25:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.718509
• Title: Agentic discovery of interpretable car-following laws from multi-source trajectory data
• Title（参考訳）: マルチソース軌道データから解釈可能な自動車追従法則のエージェント発見
• Abstract要約: 本研究では,マルチソース軌道データからCF法則を実証的に発見するためのエージェント中心の物理認識フレームワークを提案する。 このフレームワークは、トラフィックフローの知識と状態依存の再構成エラーから情報を得たエージェント誘導仮説生成と、進化的記号探索と物理認識評価を反復的に組み合わせている。 その結果, CF法則の適合性および解析的トラクタビリティが示され, 微視的交通シミュレーションの解釈可能な基礎を提供することができた。
• 参考スコア（独自算出の注目度）: 40.74095277842857
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Car-following (CF) models is a fundamental component of microscopic traffic simulation and underpin the analysis of collective traffic dynamics, while its modeling becomes more challenging due to diverse human driving behaviors and the increasing presence of automated vehicle. Analytical CF models offer interpretable representations of longitudinal vehicle interactions, but their prescribed functional structures may limit the representation of heterogeneous driving behavior. This study proposes an agent-centered, physics-aware framework for the empirical discovery of CF laws from multi-source trajectory data. The framework iteratively combines agent-guided hypothesis generation, informed by traffic flow knowledge and state-dependent reconstruction errors, with evolutionary symbolic search and physics-aware multi-objective evaluation. Using NGSIM US-101, highD, and exiD, the framework discovers the Adaptive Equilibrium Response Model (AERM), which couples state-dependent relative-speed response with spacing-dependent equilibrium-speed restoration. AERM admits analytical equilibrium speed-spacing and flow-density relationships; its stability conditions are derived for the zero-delay formulation, and platoon simulations examine disturbance propagation. Evaluated against seven classical CF models on Shanghai naturalistic driving data, NGSIM I-80, and Waymo trajectories, AERM attains the lowest spacing and speed reconstruction errors under trajectory-specific calibration, reducing spacing RMSE by 9.11%, 7.59%, and 21.73% relative to the strongest baselines, and remains competitive under dataset-level shared parameters. These results demonstrate the fitting flexibility and analytical tractability of the discovered CF law, providing an interpretable basis for microscopic traffic simulation.
• Abstract（参考訳）: 自動車追従モデル(CFモデル)は、微視的交通シミュレーションの基本的な構成要素であり、集団交通動態の解析の基盤となっているが、そのモデリングは、多種多様な運転行動と自動走行車の存在の増加により、より困難になる。 解析的CFモデルは、縦方向の車両間相互作用の解釈可能な表現を提供するが、その所定の機能構造は異種運転行動の表現を制限する可能性がある。 本研究では,マルチソース軌道データからCF法則を実証的に発見するためのエージェント中心の物理認識フレームワークを提案する。 このフレームワークは、トラフィックフローの知識と状態依存の再構成エラーから情報を得たエージェント誘導仮説生成と、進化的記号探索と物理を意識した多目的評価を反復的に組み合わせている。 NGSIM US-101, highD, exiD を用いて、状態依存の相対速度応答と間隔依存の平衡速度回復を結合した適応平衡応答モデル (AERM) を発見する。 AERMは解析平衡速度と流動密度の関係を認め、その安定性条件はゼロ遅延定式化のために導出され、小隊シミュレーションは外乱伝播を調べる。 上海自然主義運転データ、NGSIM I-80、Waymo軌道上の7つの古典的CFモデルに対して評価され、AERMは軌道固有のキャリブレーションの下で最低間隔と速度の復元誤差を達成し、RMSEの間隔を最強のベースラインに対して9.11%、7.59%、21.73%削減し、データセットレベルの共有パラメータの下で競争力を維持している。 これらの結果は, CF法則の適合性および解析的トラクタビリティを示し, 微視的トラフィックシミュレーションの解釈可能な基盤を提供する。

関連論文リスト

• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• Toward Reliable Railway-Bogie Response Prediction Using Multifidelity TDNN and Physics-Informed Residual Learning [9.679297769625286]
  鉄道技術者は、徹底的にテストできない運用シナリオにまたがる車両の応答を予測するシミュレーションモデルを必要としている。 本稿では,多体シミュレーション履歴を低忠実度情報として扱い,ローラーリグ測定を高忠実度証拠として扱う多忠実鉄道ボギー応答補正法を提案する。
  論文  参考訳（メタデータ） (2026-09-10T07:56:53Z)
• FUSE: FK-Steered Multi-Modal Flow Matching for Efficient Simulation-Based Posterior Estimation [47.3675633392999]
  FUSE (Feynman-Kac steered mUlti-modal flow matching for efficient Simulation-based posterior Estimation) を導入する。 以前の作業とは異なり、FUSEは動的相互作用を容易にしながらマルチモーダル入力の異なる特徴を保存するデュアルトラックアーキテクチャを採用している。 提案手法は, 標準SBIベンチマークにおける最先端のベースラインよりも優れており, 基幹のMCMCと密に一致した後部を創出する。
  論文  参考訳（メタデータ） (2026-07-06T15:59:18Z)
• A Physics-Grounded Benchmark for Multi-Agent Dynamics in World Models [96.64934195520802]
  我々は、世界モデルの物理的信頼性をストレステストするために設計された物理地上評価フレームワークであるCrashTwinを紹介する。 CrashTwinは、25K制御可能な合成12K実世界の衝突シーケンスを含む、多様なマルチエージェント衝突シナリオのデータセットを結合している。 本稿では,時間的一貫性,運動量,運動エネルギーの保存,世界力学の整合性という3つの次元を体系的に評価する診断スイートを提案する。
  論文  参考訳（メタデータ） (2026-06-27T06:13:35Z)
• Data is All You Need: Markov Chain Car-Following (MC-CF) Model [3.1154297715556964]
  本稿では,実証確率的パラダイムと呼ばれる新しい自動車追従モデルカテゴリーを提案する。 本稿では,マルコフ過程として状態遷移を表すMC-CFモデルを提案する。 オープンモーションデータセット(WOMD)でトレーニングされたMC-CFモデルの評価は、その変種が物理学に基づくモデルよりも著しく優れていることを示す。
  論文  参考訳（メタデータ） (2026-03-29T23:33:24Z)
• Hybrid Model Predictive Control with Physics-Informed Neural Network for Satellite Attitude Control [2.7222301668137483]
  信頼性の高い宇宙船の姿勢制御は、姿勢力学の正確な予測に依存する。 複雑な力学を持つ宇宙船では、正確な物理モデルを得るのは難しい、時間を要する、あるいは計算的に重い。 本研究では、宇宙船の姿勢力学をモデル化するための物理情報ニューラルネットワーク(PINN)について検討する。
  論文  参考訳（メタデータ） (2026-02-17T19:08:48Z)
• PhysicsAgentABM: Physics-Guided Generative Agent-Based Modeling [47.029742241618635]
  大規模言語モデル(LLM)に基づくマルチエージェントシステムでは,表現的エージェント推論が可能であるが,拡張性は高く,時間段階整合状態遷移シミュレーションではキャリブレーションが不十分である。 本研究では,推論を行動コヒーレントなエージェントクラスタにシフトさせる物理AgentABMを提案する。 公衆衛生、ファイナンス、社会科学における実験は、機械的、神経的、LLMベースラインに対する事象時の精度と校正において一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-05T18:59:01Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Causal Multi-fidelity Surrogate Forward and Inverse Models for ICF Implosions [0.0]
  inertial confinement fusion (ICF) は、実験的な観測とシミュレーション入力パラメータに関する逆問題の解法を必要とする。 ここでは、ICFカプセルの重水素トリチウム(DT)界面を考察し、時間依存の放射温度駆動から界面の半径と速度のダイナミクスにマッピングする因果的、動的、多面的還元次代理を構築する。 我々は,高エネルギー密度システムの発見,設計,診断を加速するために,演算子学習,因果的アーキテクチャ,物理的帰納バイアスをいかに統合するかを示す。
  論文  参考訳（メタデータ） (2025-09-05T21:39:53Z)
• MSCT: Addressing Time-Varying Confounding with Marginal Structural Causal Transformer for Counterfactual Post-Crash Traffic Prediction [24.3907895281179]
  本稿では,ポストクラッシュ交通予測のための新しい深層学習モデルを提案する。 提案モデルでは, 仮説的衝突介入戦略の下での交通速度の理解と予測に特化して, 処理を意識したモデルを提案する。 このモデルは、合成データと実世界のデータの両方を用いて検証され、MSCTがマルチステップ・アヘッド予測性能において最先端モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-19T06:42:41Z)

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。