論文の概要: Q-Net: Transferable Queue Length Estimation via Kalman-based Neural Networks

• arxiv url: http://arxiv.org/abs/2509.24725v1
• Date: Mon, 29 Sep 2025 12:51:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.986689
• Title: Q-Net: Transferable Queue Length Estimation via Kalman-based Neural Networks
• Title（参考訳）: Q-Net:Kalman-based Neural Networksによる転送可能なキュー長推定
• Authors: Ting Gao, Elvin Isufi, Winnie Daamen, Erik-Sander Smits, Serge Hoogendoorn,
• Abstract要約: 信号化された交差点で待ち行列の長さを推定することは、トラフィック管理の課題である。 本稿では,待ち行列長推定のためのデータ効率・解釈可能なフレームワークであるQ-Netを紹介する。 Q-Netは2つの広く利用可能なプライバシフレンドリーなデータソースを統合している。
• 参考スコア（独自算出の注目度）: 16.815532601851217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating queue lengths at signalized intersections remains a challenge in traffic management, especially under partially observed conditions where vehicle flows are not fully captured. This paper introduces Q-Net, a data-efficient and interpretable framework for queue length estimation that performs robustly even when traffic conservation assumptions are violated. Q-Net integrates two widely available and privacy-friendly data sources: (i) vehicle counts from loop detectors near stop lines, and (ii) aggregated floating car data (aFCD), which divides each road section into segments and provides segment-wise average speed measurements. These data sources often differ in spatial and temporal resolution, creating fusion challenges. Q-Net addresses this by employing a tailored state-space model and an AI-augmented Kalman filter, KalmanNet, which learns the Kalman gain from data without requiring prior knowledge of noise covariances or full system dynamics. We build on the vanilla KalmanNet pipeline to decouple measurement dimensionality from section length, enabling spatial transferability across road segments. Unlike black-box models, Q-Net maintains physical interpretability, with internal variables linked to real-world traffic dynamics. Evaluations on main roads in Rotterdam, the Netherlands, demonstrate that Q-Net outperforms baseline methods by over 60\% in Root Mean Square Error (RMSE), accurately tracking queue formation and dissipation while correcting aFCD-induced delays. Q-Net also demonstrates strong spatial and temporal transferability, enabling deployment without costly sensing infrastructure like cameras or radar. Additionally, we propose a real-time variant of Q-Net, highlighting its potential for integration into dynamic, queue-based traffic control systems.
• Abstract（参考訳）: 信号化交差点での待ち行列長の推定は、特に車両の流れが完全に捉えられていない部分的な状況下では、交通管理において依然として困難である。 本稿では,待ち行列長推定のためのデータ効率・解釈可能なフレームワークであるQ-Netを紹介する。 Q-Netは2つの広く利用可能なプライバシフレンドリーなデータソースを統合している。 一 停止線付近のループ検知器から車両を数えること。 (II) 各道路区間をセグメントに分割し, セグメント単位の平均速度測定を行う, 集合式浮動車データ(aFCD)について検討した。 これらのデータソースは、しばしば空間分解能と時間分解能で異なり、融合課題を生み出す。 Q-Netは、カスタマイズされたステートスペースモデルとAI強化されたKalmanフィルタ、KalmanNetを使用して、ノイズ共分散やフルシステムダイナミクスに関する事前の知識を必要とせずに、データからKalmanゲインを学習する。 バニラKalmanNetパイプライン上に構築し,計測次元を断面長から切り離し,道路セグメント間の空間移動性を実現する。 ブラックボックスモデルとは異なり、Q-Netは物理解釈可能性を維持し、内部変数は現実世界のトラフィックダイナミクスに関連付けられている。 オランダのロッテルダムの幹線道路における評価では、Q-Netはルート平均角誤差(RMSE)において基準線法を60%以上上回り、待ち行列の形成と消散を正確に追跡し、AFCDによる遅延を補正している。 Q-Netはまた、強力な空間的および時間的転送可能性を示し、カメラやレーダーのようなインフラをコストがかからないデプロイを可能にする。 さらに、動的キューベースのトラフィック制御システムへの統合の可能性を強調し、リアルタイムなQ-Net変種を提案する。

関連論文リスト

• 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)
• Transport-Hub-Aware Spatial-Temporal Adaptive Graph Transformer for Traffic Flow Prediction [9.99440375621286]
  本稿では交通流予測のためのトランスポート・ハブ対応時空間適応型グラフ変換器を提案する。 具体的には、動的空間依存を捉えるために、まず新しい空間自己認識モジュールを設計する。 また、トラフィックフローデータ中の動的時間パターンを検出するために、時間的自己アテンションモジュールを用いる。
  論文  参考訳（メタデータ） (2023-10-12T13:44:35Z)
• 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)
• 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)
• 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)
• PCNN: Deep Convolutional Networks for Short-term Traffic Congestion Prediction [16.010576606023417]
  そこで我々は,PCNNという新しい手法を提案し,短期交通渋滞予測のための周期的トラフィックデータをモデル化する。 PCNNには時系列の折り畳みと多粒度学習という2つの重要な手順がある。 実世界の都市交通データセットの実験結果から,二次元行列への時系列データの折り畳みが有効であることが確認された。
  論文  参考訳（メタデータ） (2020-03-16T05:36:58Z)

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。