論文の概要: Travel Time and Weather-Aware Traffic Forecasting in a Conformal Graph Neural Network Framework

• arxiv url: http://arxiv.org/abs/2509.12043v1
• Date: Mon, 15 Sep 2025 15:25:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.367487
• Title: Travel Time and Weather-Aware Traffic Forecasting in a Conformal Graph Neural Network Framework
• Title（参考訳）: コンフォーマルグラフニューラルネットワークを用いた旅行時間と気象を考慮した交通予測
• Authors: Mayur Patil, Qadeer Ahmed, Shawn Midlam-Mohler,
• Abstract要約: 交通流予測は渋滞の管理、安全性の向上、交通システムの最適化に不可欠である。 より良い予測には、複数の動的および複雑な相互依存因子に影響される交通変動を調節できるモデルが必要である。 本稿では,適応的隣接性を利用したグラフニューラルネットワーク(GNN)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.30586855806896035
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Traffic flow forecasting is essential for managing congestion, improving safety, and optimizing various transportation systems. However, it remains a prevailing challenge due to the stochastic nature of urban traffic and environmental factors. Better predictions require models capable of accommodating the traffic variability influenced by multiple dynamic and complex interdependent factors. In this work, we propose a Graph Neural Network (GNN) framework to address the stochasticity by leveraging adaptive adjacency matrices using log-normal distributions and Coefficient of Variation (CV) values to reflect real-world travel time variability. Additionally, weather factors such as temperature, wind speed, and precipitation adjust edge weights and enable GNN to capture evolving spatio-temporal dependencies across traffic stations. This enhancement over the static adjacency matrix allows the model to adapt effectively to traffic stochasticity and changing environmental conditions. Furthermore, we utilize the Adaptive Conformal Prediction (ACP) framework to provide reliable uncertainty quantification, achieving target coverage while maintaining acceptable prediction intervals. Experimental results demonstrate that the proposed model, in comparison with baseline methods, showed better prediction accuracy and uncertainty bounds. We, then, validate this method by constructing traffic scenarios in SUMO and applying Monte-Carlo simulation to derive a travel time distribution for a Vehicle Under Test (VUT) to reflect real-world variability. The simulated mean travel time of the VUT falls within the intervals defined by INRIX historical data, verifying the model's robustness.
• Abstract（参考訳）: 交通流予測は、渋滞の管理、安全性の向上、各種交通システムの最適化に不可欠である。 しかし、都市交通の確率的性質と環境要因により、依然として大きな課題となっている。 より良い予測には、複数の動的および複雑な相互依存因子に影響される交通変動を調節できるモデルが必要である。 本研究では,対数正規分布を用いた適応的隣接行列と,実世界の走行時間変動を反映した変動係数(CV)を用いて,確率性に対処するグラフニューラルネットワーク(GNN)フレームワークを提案する。 さらに、気温、風速、降水量などの気象要因がエッジウェイトを調整し、GNNが交通局間の時空間依存性の進化を捉えることができる。 この静的隣接行列に対する拡張により、モデルは交通確率と環境条件の変化に効果的に適応できる。 さらに,アダプティブ・コンフォーマル・予測(ACP)フレームワークを用いて,予測間隔を維持しつつ目標範囲を達成し,信頼性の高い不確実性定量化を実現する。 実験の結果,提案手法はベースライン法と比較して,予測精度と不確実性の境界が良好であった。 そこで我々は,SUMOにおける交通シナリオを構築し,モンテカルロシミュレーションを適用して実世界の変動を反映したVUTの走行時間分布を導出することにより,本手法の有効性を検証する。 VUTのシミュレーション平均走行時間は、INRIX履歴データによって定義された間隔に該当し、モデルの堅牢性を検証する。

関連論文リスト

• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• MSCT: Addressing Time-Varying Confounding with Marginal Structural Causal Transformer for Counterfactual Post-Crash Traffic Prediction [24.3907895281179]
  本稿では,ポストクラッシュ交通予測のための新しい深層学習モデルを提案する。 提案モデルでは, 仮説的衝突介入戦略の下での交通速度の理解と予測に特化して, 処理を意識したモデルを提案する。 このモデルは、合成データと実世界のデータの両方を用いて検証され、MSCTがマルチステップ・アヘッド予測性能において最先端モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-19T06:42:41Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Urban Traffic Forecasting with Integrated Travel Time and Data Availability in a Conformal Graph Neural Network Framework [0.6554326244334868]
  最先端のモデルは、可能な限り最良の方法でデータを考えるのに苦労することが多い。 本稿では,駅間の移動時間をグラフニューラルネットワークアーキテクチャの重み付き隣接行列に組み込む新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-07-17T01:11:07Z)
• Irregular Traffic Time Series Forecasting Based on Asynchronous Spatio-Temporal Graph Convolutional Network [46.409567044630116]
  本稿では,不規則なトラフィック時系列予測に適した非同期時空間グラフ畳み込み nEtwoRk (ASeer) を提案する。 まず,適応的なトラフィック信号によって制御される非同期なトラフィック状態間の空間依存性をキャプチャする非同期グラフ拡散ネットワークを提案する。 そこで本研究では,時間認識型コンボリューションネットワークを提案し,時間認識型コンボリューションを時間認識型コンボリューションに適応させる。
  論文  参考訳（メタデータ） (2023-08-31T15:49:21Z)
• Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
  不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。 複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。 モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
  論文  参考訳（メタデータ） (2023-08-11T13:35:52Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。