論文の概要: Network-wide Freeway Traffic Estimation Using Sparse Sensor Data: A Dirichlet Graph Auto-Encoder Approach

• arxiv url: http://arxiv.org/abs/2503.15845v1
• Date: Thu, 20 Mar 2025 04:58:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 19:01:10.635056
• Title: Network-wide Freeway Traffic Estimation Using Sparse Sensor Data: A Dirichlet Graph Auto-Encoder Approach
• Title（参考訳）: スパースセンサデータを用いたネットワーク全体の高速道路交通量推定:ディリクレグラフオートエンコーダアプローチ
• Authors: Qishen Zhou, Yifan Zhang, Michail A. Makridis, Anastasios Kouvelas, Yibing Wang, Simon Hu,
• Abstract要約: ネットワークワイドトラフィック状態推定(TSE)は、わずかに配置されたセンサを用いて、ネットワークトラフィック状態の完全なイメージを推測することを目的としている。 DEFP for Directed graph (DEFP4D)は、DEFP4D(DEFP4D)の理論的導出によるこれらの課題に対処する。 3つのトラフィックデータセットの実験により、DGAEは既存のSOTA法より優れ、都市間転送性が強いことを示した。
• 参考スコア（独自算出の注目度）: 15.487715528848456
• License:
• Abstract: Network-wide Traffic State Estimation (TSE), which aims to infer a complete image of network traffic states with sparsely deployed sensors, plays a vital role in intelligent transportation systems. With the development of data-driven methods, traffic dynamics modeling has advanced significantly. However, TSE poses fundamental challenges for data-driven approaches, since historical patterns cannot be learned locally at sensor-free segments. Although inductive graph learning shows promise in estimating states at locations without sensor, existing methods typically handle unobserved locations by filling them with zeros, introducing bias to the sensitive graph message propagation. The recently proposed Dirichlet Energy-based Feature Propagation (DEFP) method achieves State-Of-The-Art (SOTA) performance in unobserved node classification by eliminating the need for zero-filling. However, applying it to TSE faces three key challenges: inability to handle directed traffic networks, strong assumptions in traffic spatial correlation modeling, and overlooks distinct propagation rules of different patterns (e.g., congestion and free flow). We propose DGAE, a novel inductive graph representation model that addresses these challenges through theoretically derived DEFP for Directed graph (DEFP4D), enhanced spatial representation learning via DEFP4D-guided latent space encoding, and physics-guided propagation mechanisms that separately handles congested and free-flow patterns. Experiments on three traffic datasets demonstrate that DGAE outperforms existing SOTA methods and exhibits strong cross-city transferability. Furthermore, DEFP4D can serve as a standalone lightweight solution, showing superior performance under extremely sparse sensor conditions.
• Abstract（参考訳）: ネットワークワイドトラフィック状態推定(TSE)は、ネットワークトラフィック状態の完全なイメージをわずかに配置されたセンサーで推測することを目的としており、インテリジェント交通システムにおいて重要な役割を担っている。 データ駆動手法の開発により、トラフィック・ダイナミクス・モデリングは大幅に進歩した。 しかし、TSEはセンサレスセグメントでは歴史的パターンをローカルに学習できないため、データ駆動アプローチに根本的な課題を提起する。 帰納的グラフ学習はセンサのない場所の状態を推定する上で有望であることを示しているが、既存の手法は通常、0で満たして、機密性のあるグラフメッセージの伝播にバイアスを課すことで、観測されていない場所を処理している。 最近提案されたDirichlet Energy-based Feature Propagation (DEFP) 法は、ゼロフィリングを不要にすることで、観測されていないノード分類における状態-Of-The-Art (SOTA) 性能を実現する。 しかし、TSEに適用することは、指向するトラフィックネットワークを扱うことができないこと、交通空間相関モデルにおける強い仮定、異なるパターン(渋滞や自由フローなど)の異なる伝播ルールを見落としていること、の3つの大きな課題に直面している。 DGAEは、DEFP4D(DefP4D)を理論的に導出したDefP(DefP4D)によるこれらの課題に対処する新しい帰納的グラフ表現モデルであり、DFP4Dを誘導する潜在空間符号化による空間表現学習の強化と、混雑パターンと自由フローパターンを別々に扱う物理誘導伝搬機構を提案する。 3つのトラフィックデータセットの実験により、DGAEは既存のSOTA法より優れ、都市間転送性が強いことを示した。 さらに、DefP4Dはスタンドアロンの軽量なソリューションとして機能し、非常にスパースなセンサー条件下での優れた性能を示す。

関連論文リスト

• MoGERNN: An Inductive Traffic Predictor for Unobserved Locations in Dynamic Sensing Networks [15.487715528848456]
  MoGERNNはセンサのない地域でも正確な渋滞進化を予測でき、交通管理に有用な情報を提供する。 実世界の2つのデータセットの実験では、MoGERNNは観測された場所と観測されていない場所の両方のベースラインメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-01-21T16:52:42Z)
• 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)
• Heterogeneous Graph Sequence Neural Networks for Dynamic Traffic Assignment [5.205252810216621]
  グラフニューラルネットワークを利用するような既存のトラフィック予測アプローチは、通常はセンサロケーションに限られる。 異種時空間グラフシーケンスネットワーク(HSTG)を提案する。 HSTGは、たとえ長距離であっても、オリジンノードと宛先ノード間の依存性を利用して、オリジン決定要求の下で暗黙の車両経路選択を学習する。
  論文  参考訳（メタデータ） (2024-08-07T23:41:09Z)
• Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-05-06T06:23:06Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• 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)
• HAGCN : Network Decentralization Attention Based Heterogeneity-Aware Spatiotemporal Graph Convolution Network for Traffic Signal Forecasting [0.0]
  交通信号データに固有の異種特性について検討し,センサ間の隠れ関係を様々な方法で学習する。 本稿では,隣接ノードの隠れ状態を集約する分散化注目グラフ畳み込みネットワーク(HAGCN)を提案する。
  論文  参考訳（メタデータ） (2022-09-05T13:45:52Z)
• D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
  本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。 実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
  論文  参考訳（メタデータ） (2022-07-21T10:19:07Z)
• Decoupled Dynamic Spatial-Temporal Graph Neural Network for Traffic Forecasting [27.82230529014677]
  道路網における交通状況を予測する能力は重要な機能であり、課題である。 近年の時空間グラフニューラルネットワークの提案は,交通データにおける複雑な時空間相関のモデル化において大きな進歩を遂げている。 本稿では,データ駆動方式で拡散と固有トラフィック情報を分離する分散空間時間フレームワーク(DSTF)を提案する。
  論文  参考訳（メタデータ） (2022-06-18T04:14:38Z)
• 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。