論文の概要: GNN-Guided Network Reduction for Centralized Urban Traffic Routing

• arxiv url: http://arxiv.org/abs/2610.36981v1
• Date: Tue, 27 Oct 2026 10:34:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.25918
• Title: GNN-Guided Network Reduction for Centralized Urban Traffic Routing
• Title（参考訳）: 集中型都市交通ルーティングのためのGNN誘導ネットワークの削減
• Abstract要約: 本稿では,交通経路の学習に基づく都市ネットワーク削減手法を提案する。 専用グラフニューラルネットワーク(GNN)は、まず、オリジン・デスティネーション(OD)フロー毎に道路セグメントをスコアする。 その後、GNNは道路網の縮小を誘導し、解法は実現可能性を実行し、ルーティングを決定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the centralized traffic routing (CTR) problem, where a central planner assigns routes to origin-destination (OD) vehicle flows to minimize congestion-dependent segment cost. Prior work formulates CTR efficiently as a mixed-integer linear program (MILP), but scaling this formulation to the full road network is computationally prohibitive within an operational time budget. Bounded Routes and Smart Routes speed up optimization using precomputed reduced networks; however, these methods do not account for vehicle information within each OD flow. Motivated by this gap, we propose a learning-based urban network reduction approach. A dedicated graph neural network (GNN) first scores road segments for each OD flow using the road network and vehicle-flow information. Highly ranked segments are then incorporated into complete OD routes, and the original segment-flow MILP is solved on the resulting reduced road network. The GNN thus guides the reduction of the road network, while the solver enforces feasibility and determines the routing. Experiments on four real urban networks -- Prague-Dejvice, London, New York, and Sydney -- show that the proposed approach achieves the smallest relative objective difference to the $30$-second full-graph reference in every city under both traffic regimes. Averaged across cities, this difference is more than six times lower than that of the best competing method. Moreover, traffic simulation results show that the optimization gains of the proposed method lead to more efficient routing, with the highest aggregate arrival rate and a competitive trip duration per arrival percentage point.
• Abstract（参考訳）: 本稿では、中央プランナーがルートをオリジン決定(OD)車に割り当て、渋滞依存セグメントコストを最小限に抑える集中トラヒックルーティング(CTR)問題を考える。 従来の作業では、CTRをMILP(mixed-integer linear program)として効率的に定式化していたが、この定式化をフルロードネットワークにスケールすることは、運用時間の予算の中で計算的に禁止されている。 境界ルートとスマートルートは、事前計算された減算ネットワークを用いて最適化を高速化するが、これらの手法は各ODフロー内の車両情報を考慮しない。 このギャップに感銘を受けて,我々は,学習に基づく都市ネットワーク削減手法を提案する。 専用グラフニューラルネットワーク(GNN)は、道路ネットワークと車両フロー情報を用いて、ODフロー毎に道路セグメントをスコアする。 そして、上位のセグメントを完全なOD経路に組み込み、その結果、低減された道路網上で、元のセグメントフローMILPを解く。 これにより、GNNは道路ネットワークの削減を導出し、解法は実現可能性を実行し、ルーティングを決定する。 プラハ・デジェール、ロンドン、ニューヨーク、シドニーの4つの実際の都市ネットワークでの実験では、提案されたアプローチは、両交通体制下の各都市で30ドル秒のフルグラフ参照に対して、最小の相対目標差を達成している。 都市全体で平均されるこの差は、最も競争の激しい方法の6倍以上である。 さらに, 交通シミュレーションの結果から, 提案手法の最適化により, より効率的なルーティングが可能となり, 到達率が最も高く, 到達率当たりの走行時間も高いことがわかった。

関連論文リスト

• Neighbor-embedded Graph Neural Network-based Crowd Delivery Traffic Management in Smart City [5.687232573267495]
  この研究は、新しいtextitNeighbor-Embeded Graph Neural Networkベースのクラウドデリバリトラフィック管理(NeCDM)モデルを導入している。 提案モデルでは,L1損失の最大4.03%の削減を含む,計算効率の顕著な向上を実現している。
  論文  参考訳（メタデータ） (2026-08-23T18:58:06Z)
• Network-Constrained Policy Optimization for Adaptive Multi-agent Vehicle Routing [1.4273866043218153]
  我々は、協調型ネットワーク対応フリートナビゲーションのためのマルチエージェント強化学習(MARL)フレームワークを通じて、動的車両ルーティングに対処する。 本稿ではまず、各交差点エージェントがローカルトラフィックと近隣状態に基づいてルーティングガイダンスを提供する分散MARLモデルであるAdaptive Navigation(AN)を提案する。 大規模ネットワークにおけるスケーラビリティ向上のために,エージェントを鍵交点(ハブ)のみに割り当てるANの拡張である階層型ハブベース適応ナビゲーション(HHAN)を提案する。 合成格子と実際の都市マップ(トロント、マンハッタン)の実験では、ANは平均走行時間をSPFと比較し、学習ベースラインを減らし、100%のルーティング成功を維持している。
  論文  参考訳（メタデータ） (2025-10-30T02:49:46Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
  航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。 フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:22Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)

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。