Fugu-MT 論文翻訳(概要): Fine-Grained Traffic Inference from Road to Lane via Spatio-Temporal Graph Node Generation

論文の概要: Fine-Grained Traffic Inference from Road to Lane via Spatio-Temporal Graph Node Generation

arxiv url: http://arxiv.org/abs/2507.19089v1
Date: Fri, 25 Jul 2025 09:15:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-28 16:16:48.896305
Title: Fine-Grained Traffic Inference from Road to Lane via Spatio-Temporal Graph Node Generation
Title（参考訳）: 時空間グラフノード生成による道路から車線への微粒化トラフィック推定
Authors: Shuhao Li, Weidong Yang, Yue Cui, Xiaoxing Liu, Lingkai Meng, Lipeng Ma, Fan Zhang,
Abstract要約: きめ細かい道路交通推測(FRTI)タスクは、限られた道路データを用いてより詳細な車線レベルの交通情報を生成することを目的としている。我々はFRTIタスクを解くために2段階のフレームワーク-Road-Diff-を設計した。
参考スコア（独自算出の注目度）: 7.386202800013202
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Fine-grained traffic management and prediction are fundamental to key applications such as autonomous driving, lane change guidance, and traffic signal control. However, obtaining lane-level traffic data has become a critical bottleneck for data-driven models due to limitations in the types and number of sensors and issues with the accuracy of tracking algorithms. To address this, we propose the Fine-grained Road Traffic Inference (FRTI) task, which aims to generate more detailed lane-level traffic information using limited road data, providing a more energy-efficient and cost-effective solution for precise traffic management. This task is abstracted as the first scene of the spatio-temporal graph node generation problem. We designed a two-stage framework--RoadDiff--to solve the FRTI task. solve the FRTI task. This framework leverages the Road-Lane Correlation Autoencoder-Decoder and the Lane Diffusion Module to fully utilize the limited spatio-temporal dependencies and distribution relationships of road data to accurately infer fine-grained lane traffic states. Based on existing research, we designed several baseline models with the potential to solve the FRTI task and conducted extensive experiments on six datasets representing different road conditions to validate the effectiveness of the RoadDiff model in addressing the FRTI task. The relevant datasets and code are available at https://github.com/ShuhaoLii/RoadDiff.
Abstract（参考訳）: 交通管理や予測は、自動運転、車線変更誘導、信号制御といった重要な応用に不可欠である。しかし,センサの種類や数に制限があり,追跡アルゴリズムの精度に問題があるため,レーンレベルのトラフィックデータを取得することは,データ駆動モデルにとって重要なボトルネックとなっている。そこで本研究では,限られた道路データを用いてより詳細な車線レベルの交通情報を生成し,より省エネで費用対効果の高い交通管理ソリューションを提供することを目的として,FRTIタスクを提案する。このタスクは時空間グラフノード生成問題の最初の場面として抽象化される。我々はFRTIタスクを解決するために2段階のフレームワーク、RoadDiffを設計した。 FRTIタスクを解決します。このフレームワークは、ロード・レーン相関オートエンコーダ・デコーダとレーン拡散モジュールを利用して、限られた時空間依存性と道路データの分布関係をフル活用し、きめ細かいレーン交通状態を正確に推測する。既存の研究に基づいて、FRTIタスクを解く可能性のあるベースラインモデルをいくつか設計し、異なる道路条件を表す6つのデータセットに対して広範囲な実験を行い、FRTIタスクに対処する上でのRoadDiffモデルの有効性を検証した。関連するデータセットとコードはhttps://github.com/ShuhaoLii/RoadDiffで公開されている。

関連論文リスト

Domain Adaptation Framework for Turning Movement Count Estimation with Limited Data [2.5920304684810014]
本研究では,領域適応(DA)を利用して交差点における回転数(TMC)を推定する新しいフレームワークを提案する。提案したDAフレームワークの性能を最先端モデルと比較し,平均絶対誤差とルート平均角誤差の最小値を得た。
論文参考訳（メタデータ） (2025-03-25T23:27:38Z)
Data-Driven Transfer Learning Framework for Estimating Turning Movement Counts [2.5920304684810014]
本研究では,交点における移動数(TMC)の推定に伝達学習を活用する新しい枠組みを提案する。提案したTLモデルの性能を8つの最先端回帰モデルと比較し,平均絶対誤差とルート平均正方形誤差の最小値を得た。
論文参考訳（メタデータ） (2024-12-13T05:02:16Z)
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)
BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文参考訳（メタデータ） (2024-03-08T04:19:56Z)
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)
FDTI: Fine-grained Deep Traffic Inference with Roadnet-enriched Graph [10.675666104503119]
本稿では,詳細な深部交通推論をedIと呼ぶ。道路間の関係をモデル化するために,交通信号に基づくきめ細かい交通グラフを構築した。私たちは、都市レベルのきめ細かい交通予測を最初に実施しました。
論文参考訳（メタデータ） (2023-06-19T14:03:42Z)
TraffNet: Learning Causality of Traffic Generation for What-if Prediction [4.604622556490027]
インテリジェントなトラフィック管理と制御における意思決定には,リアルタイムなトラフィック予測が不可欠だ。本稿では,トラフィック生成のメカニズムを事前に学習するTraffNetという単純なディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2023-03-28T13:12:17Z)
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)
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)
Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文参考訳（メタデータ） (2020-11-07T19:57:22Z)
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。