論文の概要: Spatio-Temporal Graph Neural Network for Urban Spaces: Interpolating Citywide Traffic Volume

• arxiv url: http://arxiv.org/abs/2505.06292v1
• Date: Wed, 07 May 2025 13:34:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.753278
• Title: Spatio-Temporal Graph Neural Network for Urban Spaces: Interpolating Citywide Traffic Volume
• Title（参考訳）: 都市空間のための時空間グラフニューラルネットワーク:都市交通量の補間
• Authors: Silke K. Kaiser, Filipe Rodrigues, Carlos Lima Azevedo, Lynn H. Kaack,
• Abstract要約: 本稿では,新しい都市交通量推定手法であるGNNUI(Graph Neural Network for Urban Interpolation)を紹介する。 GNNUIは、学習のためにマスキングアルゴリズムを採用し、機能的な役割を捉えるためにノード機能を統合する。 このモデルに加えて、異なる交通手段をカバーする2つの新しいオープンスケール都市交通量ベンチマークを導入する。
• 参考スコア（独自算出の注目度）: 4.188237759092441
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable street-level traffic volume data, covering multiple modes of transportation, helps urban planning by informing decisions on infrastructure improvements, traffic management, and public transportation. Yet, traffic sensors measuring traffic volume are typically scarcely located, due to their high deployment and maintenance costs. To address this, interpolation methods can estimate traffic volumes at unobserved locations using available data. Graph Neural Networks have shown strong performance in traffic volume forecasting, particularly on highways and major arterial networks. Applying them to urban settings, however, presents unique challenges: urban networks exhibit greater structural diversity, traffic volumes are highly overdispersed with many zeros, the best way to account for spatial dependencies remains unclear, and sensor coverage is often very sparse. We introduce the Graph Neural Network for Urban Interpolation (GNNUI), a novel urban traffic volume estimation approach. GNNUI employs a masking algorithm to learn interpolation, integrates node features to capture functional roles, and uses a loss function tailored to zero-inflated traffic distributions. In addition to the model, we introduce two new open, large-scale urban traffic volume benchmarks, covering different transportation modes: Strava cycling data from Berlin and New York City taxi data. GNNUI outperforms recent, some graph-based, interpolation methods across metrics (MAE, RMSE, true-zero rate, Kullback-Leibler divergence) and remains robust from 90% to 1% sensor coverage. On Strava, for instance, MAE rises only from 7.1 to 10.5, on Taxi from 23.0 to 40.4, demonstrating strong performance under extreme data scarcity, common in real-world urban settings. We also examine how graph connectivity choices influence model accuracy.
• Abstract（参考訳）: 複数の交通手段をカバーする信頼性の高い道路レベルの交通量データは、インフラの改善、交通管理、公共交通機関に関する決定を下すことで都市計画に役立つ。 しかし、交通量を測定する交通センサーは、配置とメンテナンスのコストが高いため、通常はほとんど配置されていない。 これを解決するために、補間法は、利用可能なデータを用いて、観測されていない場所でのトラフィック量を推定することができる。 グラフニューラルネットワークは、特に高速道路や主要動脈ネットワークにおいて、交通量予測において高いパフォーマンスを示している。 都市ネットワークはより構造的な多様性を示し、交通量は多くのゼロで過度に分散しており、空間的依存を考慮に入れた最良の方法は不明確であり、センサーのカバレッジは極めて低い。 本稿では,新しい都市交通量推定手法であるGNNUI(Graph Neural Network for Urban Interpolation)を紹介する。 GNNUIは、補間を学ぶためにマスキングアルゴリズムを採用し、機能的役割を捉えるためにノード機能を統合する。 このモデルに加えて、ベルリンとニューヨーク市のタクシーデータからのStravaサイクリングデータという、さまざまな交通手段をカバーする、2つの新しいオープンで大規模な都市交通量ベンチマークを導入しました。 GNNUIは最近のグラフベースの補間手法(MAE, RMSE, true-zero rate, Kullback-Leibler divergence)よりも優れており、90%から1%まで堅牢である。 例えば、Stravaでは、MaEはタクシーで7.1から10.5まで上昇し、23.0から40.4まで上昇し、現実世界の都市環境では一般的な極端なデータ不足下での強いパフォーマンスを示している。 また,グラフ接続選択がモデル精度に与える影響についても検討する。

関連論文リスト

• Network-Wide Traffic Flow Estimation Across Multiple Cities with Global Open Multi-Source Data: A Large-Scale Case Study in Europe and North America [10.605083464975749]
  一般的なネットワークの各リンクの動的トラフィック量をキャプチャするネットワーク全体のトラフィックフローは、スマートモビリティアプリケーションの基本である。 既存の研究では、センサのカバー不足を補うために様々な補足データソースを使用し、未観測のトラフィックフローを見積もっている。 我々は,GOMSマップから情報を効果的に抽出し,合成する,注目に基づくグラフニューラルネットワークを開発した。
  論文  参考訳（メタデータ） (2025-02-06T05:59:18Z)
• 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)
• MA2GCN: Multi Adjacency relationship Attention Graph Convolutional Networks for Traffic Prediction using Trajectory data [1.147374308875151]
  本稿では,新しい交通渋滞予測モデルを提案する。マルチアジャシエンス関係アテンショングラフ畳み込みネットワーク(MA2GCN)。 車両軌跡データをグリッド形式でグラフ構造化データに変換し、異なるグリッド間の移動量に基づいて車両の進入・退避行列を提案した。 複数のベースラインと比較すると,上海タクシーのGPSトラジェクトリ・データセットで最高の性能を示した。
  論文  参考訳（メタデータ） (2024-01-16T14:22:44Z)
• Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases [7.173242326298134]
  多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。 本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。 また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
  論文  参考訳（メタデータ） (2022-03-08T09:46:50Z)
• A Graph-based U-Net Model for Predicting Traffic in unseen Cities [5.501569874656471]
  トラフィックデータの表現方法は、スピードやボリュームといったトラフィックの属性を可視化するヒートマップを時間的に変更する形で行われる。 本稿では,U-Netアーキテクチャとグラフ層を組み合わせた空間一般化手法を提案する。
  論文  参考訳（メタデータ） (2022-02-11T09:11:04Z)
• 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)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。