論文の概要: Generalising Traffic Forecasting to Regions without Traffic Observations

• arxiv url: http://arxiv.org/abs/2508.08947v1
• Date: Tue, 12 Aug 2025 14:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.448017
• Title: Generalising Traffic Forecasting to Regions without Traffic Observations
• Title（参考訳）: 交通観測のない地域への交通予測の一般化
• Authors: Xinyu Su, Majid Sarvi, Feng Liu, Egemen Tanin, Jianzhong Qi,
• Abstract要約: 本稿では,交通センサのない地域での交通観測の欠如が既存モデルの課題となっている地域を予測することを目的とする。 我々はGenCastというモデルを提案し、その中核となる考え方は、欠落した観測を補うために外部知識を活用することである。 我々は物理インフォームドニューラルネットワークをGenCastに統合し、物理原理が学習プロセスの規則化を可能にする。
• 参考スコア（独自算出の注目度）: 16.06615257304111
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic forecasting is essential for intelligent transportation systems. Accurate forecasting relies on continuous observations collected by traffic sensors. However, due to high deployment and maintenance costs, not all regions are equipped with such sensors. This paper aims to forecast for regions without traffic sensors, where the lack of historical traffic observations challenges the generalisability of existing models. We propose a model named GenCast, the core idea of which is to exploit external knowledge to compensate for the missing observations and to enhance generalisation. We integrate physics-informed neural networks into GenCast, enabling physical principles to regularise the learning process. We introduce an external signal learning module to explore correlations between traffic states and external signals such as weather conditions, further improving model generalisability. Additionally, we design a spatial grouping module to filter localised features that hinder model generalisability. Extensive experiments show that GenCast consistently reduces forecasting errors on multiple real-world datasets.
• Abstract（参考訳）: 交通予報はインテリジェント交通システムにとって不可欠である。 正確な予測は、交通センサによって収集された継続的な観測に依存する。 しかし、高い配備とメンテナンスコストのため、すべての地域がそのようなセンサーを備えているわけではない。 本稿では,交通センサのない地域を予測し,過去の交通観測の欠如が既存モデルの一般化可能性に疑問を呈する。 我々はGenCastというモデルを提案し、その中核となる考え方は、外部知識を利用して、欠落した観測を補い、一般化を強化することである。 我々は物理インフォームドニューラルネットワークをGenCastに統合し、物理原理が学習プロセスの規則化を可能にする。 本稿では,交通状況と気象条件などの外部信号との相関関係を探索する外部信号学習モジュールを提案する。 さらに、モデル一般化性を阻害する局所化特徴をフィルタリングする空間的グループ化モジュールを設計する。 大規模な実験では、GenCastは複数の実世界のデータセットの予測エラーを一貫して削減している。

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)
• Global Spatio-Temporal Fusion-based Traffic Prediction Algorithm with Anomaly Aware [12.570413823751494]
  本稿では,異常認識を取り入れた時空間融合に基づく交通予測アルゴリズムを提案する。 本稿では,交通流の正確な予測のために,トランスフォーマアーキテクチャに基づくマルチスケール時空間融合モジュール(MTSFFL)を提案する。
  論文  参考訳（メタデータ） (2024-12-19T06:40:21Z)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)
• Forecasting Unobserved Node States with spatio-temporal Graph Neural Networks [1.0965065178451106]
  本研究では,空間的時間的相関とグラフ帰納バイアスに基づいて,完全に観測されていない位置の状態を予測できるフレームワークを開発した。 我々のフレームワークは、ネットワークのグラフ構造を用いて、観測された位置と周囲の相関を悪用するグラフニューラルネットワークと組み合わせることができる。 シミュレーションと実世界の両方のデータセットに対する実証的な評価は、グラフニューラルネットワークがこのタスクに適していることを示している。
  論文  参考訳（メタデータ） (2022-11-21T15:52:06Z)
• AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network for Traffic Forecasting [12.284512000306314]
  交通予測手法に外部要因を統合するための属性拡張時間グラフ畳み込みネットワーク(AST-GCN)を提案する。 従来の交通予測手法と比較して,交通予測タスクの外部情報を考慮した場合の有効性を示す。
  論文  参考訳（メタデータ） (2020-11-22T12:49:55Z)

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。