論文の概要: Fine-Grained Urban Traffic Forecasting on Metropolis-Scale Road Networks

• arxiv url: http://arxiv.org/abs/2510.02278v1
• Date: Thu, 02 Oct 2025 17:53:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.271896
• Title: Fine-Grained Urban Traffic Forecasting on Metropolis-Scale Road Networks
• Title（参考訳）: 都市規模道路網における微粒化都市交通予測
• Authors: Fedor Velikonivtsev, Oleg Platonov, Gleb Bazhenov, Liudmila Prokhorenkova,
• Abstract要約: 約10万の道路セグメントを含む2つの主要都市の道路ネットワークを表すデータセットをリリースする。 我々のデータセットには道路の特徴が豊富に含まれており、交通量と交通速度の両方に関する詳細なデータを提供しています。
• 参考スコア（独自算出の注目度）: 14.684896571014747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic forecasting on road networks is a complex task of significant practical importance that has recently attracted considerable attention from the machine learning community, with spatiotemporal graph neural networks (GNNs) becoming the most popular approach. The proper evaluation of traffic forecasting methods requires realistic datasets, but current publicly available benchmarks have significant drawbacks, including the absence of information about road connectivity for road graph construction, limited information about road properties, and a relatively small number of road segments that falls short of real-world applications. Further, current datasets mostly contain information about intercity highways with sparsely located sensors, while city road networks arguably present a more challenging forecasting task due to much denser roads and more complex urban traffic patterns. In this work, we provide a more complete, realistic, and challenging benchmark for traffic forecasting by releasing datasets representing the road networks of two major cities, with the largest containing almost 100,000 road segments (more than a 10-fold increase relative to existing datasets). Our datasets contain rich road features and provide fine-grained data about both traffic volume and traffic speed, allowing for building more holistic traffic forecasting systems. We show that most current implementations of neural spatiotemporal models for traffic forecasting have problems scaling to datasets of our size. To overcome this issue, we propose an alternative approach to neural traffic forecasting that uses a GNN without a dedicated module for temporal sequence processing, thus achieving much better scalability, while also demonstrating stronger forecasting performance. We hope our datasets and modeling insights will serve as a valuable resource for research in traffic forecasting.
• Abstract（参考訳）: 道路ネットワーク上のトラフィック予測は、最近機械学習コミュニティから注目を集めた重要な実践的重要性の複雑なタスクであり、時空間グラフニューラルネットワーク(GNN)が最も一般的なアプローチとなっている。 交通予測手法の適切な評価には、現実的なデータセットが必要であるが、現在の公開ベンチマークでは、道路グラフ構築のための道路接続に関する情報の欠如、道路特性に関する限られた情報、現実の用途に劣る比較的少数の道路セグメントなど、大きな欠点がある。 さらに、現在のデータセットには、少ない位置のセンサーで都市間ハイウェイに関する情報がほとんど含まれており、都市道路網は、より密集した道路とより複雑な都市交通パターンのために、より困難な予測課題を明らかに示している。 本研究は,2つの主要都市の道路ネットワークを表すデータセットを公開することにより,より完全で現実的で困難なトラフィック予測のベンチマークを提供する。 当社のデータセットには,交通量と交通速度の両方に関する詳細なデータが含まれており,より総合的な交通予測システムの構築を可能にしている。 トラヒック予測のためのニューラル時空間モデルの現在の実装のほとんどは、我々のサイズのデータセットへのスケーリングに問題があることを示している。 この問題を克服するために、時間的シーケンス処理専用のモジュールを使わずにGNNを使用して、より優れたスケーラビリティを実現するとともに、より強力な予測性能を示すニューラルトラヒック予測手法を提案する。 当社のデータセットとモデリングの洞察が、交通予測研究の貴重なリソースになることを期待しています。

関連論文リスト

• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• Deep Learning-driven Mobile Traffic Measurement Collection and Analysis [0.43512163406552007]
  本稿では,空間的・時間的領域において,深層学習(DL)技術の強力な階層的特徴学習能力を利用する。 そこで我々は,都市規模の交通分析と予測のためのソリューションを開発した。
  論文  参考訳（メタデータ） (2024-10-14T06:53:45Z)
• STMGF: An Effective Spatial-Temporal Multi-Granularity Framework for Traffic Forecasting [12.809369696629625]
  本稿では,道路網の長距離・長期情報収集を促進するため,時空間多言語フレームワーク(STMGF)と呼ばれる新しいフレームワークを提案する。 STMGFは、道路網の粒度情報を完全に活用し、階層的インタラクティブな方法で情報を集めることにより、長距離および長期の情報をモデル化する。
  論文  参考訳（メタデータ） (2024-04-08T03:38:52Z)
• Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity Analysis [6.8775337739726226]
  本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。 本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
  論文  参考訳（メタデータ） (2023-08-20T14:31:55Z)
• Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank [15.123457772023238]
  交通パターンバンク(TPB)を用いた都市間交通予測フレームワークを提案する。 TPBは、訓練済みのトラフィックパッチエンコーダを使用して、データ豊富な都市からの生のトラフィックデータを高次元空間に投影する。 隣接行列は、下流の時空間モデルで将来のトラフィックを予測するために構成される。
  論文  参考訳（メタデータ） (2023-08-17T13:29:57Z)
• 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)
• Urban Traffic Flow Forecast Based on FastGCRNN [14.445176586630465]
  高速グラフ同時並行ニューラルネットワーク(GCRN)を大規模ネットワークに適用するのは,計算量が多いため困難である。 本稿では,道路網を幾何学グラフに抽象化し,交通流の時空間依存性をモデル化するための高速グラフ同期ニューラルネットワーク(GCRN)を構築することを提案する。 具体的には、FastGCNユニットを使用して、重要サンプリングによる計算複雑性を低減し、グラフ内の道路と周辺道路のトポロジ的関係を効率的に把握する。
  論文  参考訳（メタデータ） (2020-09-17T06:05:05Z)
• 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。