論文の概要: From Optimization to Prediction: Transformer-Based Path-Flow Estimation to the Traffic Assignment Problem

• arxiv url: http://arxiv.org/abs/2510.19889v1
• Date: Wed, 22 Oct 2025 16:45:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:16.522816
• Title: From Optimization to Prediction: Transformer-Based Path-Flow Estimation to the Traffic Assignment Problem
• Title（参考訳）: 最適化から予測へ:変圧器を用いた経路フロー推定から交通割当て問題へ
• Authors: Mostafa Ameli, Van Anh Le, Sulthana Shams, Alexander Skabardonis,
• Abstract要約: 本研究では、ディープニューラルネットワークを用いて平衡経路を直接予測する新しいデータ駆動手法を提案する。 Transformerベースのモデルは、再計算を必要とせず、需要やネットワーク構造の変化に適応しながら、計算時間を劇的に削減する。 モデルはまた、様々な需要やネットワーク条件に柔軟に対応し、トラフィック管理をサポートし、迅速なWhat-if'分析を可能にする。
• 参考スコア（独自算出の注目度）: 39.36424353588699
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The traffic assignment problem is essential for traffic flow analysis, traditionally solved using mathematical programs under the Equilibrium principle. These methods become computationally prohibitive for large-scale networks due to non-linear growth in complexity with the number of OD pairs. This study introduces a novel data-driven approach using deep neural networks, specifically leveraging the Transformer architecture, to predict equilibrium path flows directly. By focusing on path-level traffic distribution, the proposed model captures intricate correlations between OD pairs, offering a more detailed and flexible analysis compared to traditional link-level approaches. The Transformer-based model drastically reduces computation time, while adapting to changes in demand and network structure without the need for recalculation. Numerical experiments are conducted on the Manhattan-like synthetic network, the Sioux Falls network, and the Eastern-Massachusetts network. The results demonstrate that the proposed model is orders of magnitude faster than conventional optimization. It efficiently estimates path-level traffic flows in multi-class networks, reducing computational costs and improving prediction accuracy by capturing detailed trip and flow information. The model also adapts flexibly to varying demand and network conditions, supporting traffic management and enabling rapid `what-if' analyses for enhanced transportation planning and policy-making.
• Abstract（参考訳）: トラヒック割り当て問題は、伝統的にEquilibriumの原理の下で数学的プログラムを用いて解決されたトラフィックフロー解析に不可欠である。 これらの手法は、ODペアの数と複雑性の非線形成長により、大規模ネットワークでは計算が禁止される。 本研究では、特にTransformerアーキテクチャを活用して平衡経路を直接予測するディープニューラルネットワークを用いた、新しいデータ駆動型アプローチを提案する。 経路レベルのトラフィック分布に着目して、提案モデルはODペア間の複雑な相関をキャプチャし、従来のリンクレベルのアプローチと比較してより詳細で柔軟な分析を提供する。 Transformerベースのモデルは、再計算を必要とせず、需要やネットワーク構造の変化に適応しながら、計算時間を劇的に削減する。 マンハッタンのような合成ネットワーク、スーフォールズネットワーク、イースタン・マサチュセットネットワークで数値実験を行った。 その結果,提案モデルは従来の最適化よりも桁違いに高速であることがわかった。 マルチクラスネットワークにおける経路レベルのトラフィックフローを効率的に推定し、計算コストを削減し、詳細な旅行情報と流路情報を取得することにより予測精度を向上させる。 モデルはまた、需要やネットワーク条件の変動に柔軟に対応し、交通管理を支援し、交通計画や政策立案の迅速な「What-if」分析を可能にする。

関連論文リスト

• Learning traffic flows: Graph Neural Networks for Metamodelling Traffic Assignment [1.078439500019266]
  トラヒックアサインメント問題(Traffic Assignment Problem)は、特に大規模ネットワークにおいて、交通モデリングにおける基本的な作業である。 従来の手法では、反復的なシミュレーションを平衡に到達させ、リアルタイムまたは大規模シナリオ分析を困難にしている。 本稿では,ユーザ平衡割当の平衡フローを近似するメタモデルとして,メッセージパッシングニューラルネットワークを用いた学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-16T13:25:22Z)
• NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
  我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。 ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
  論文  参考訳（メタデータ） (2024-12-30T00:47:49Z)
• 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)
• End-to-End Heterogeneous Graph Neural Networks for Traffic Assignment [5.205252810216621]
  我々は、異種グラフニューラルネットワークのパワーを活用して、トラフィック割り当てのための新しいエンドツーエンドサロゲートモデルを提案する。 本モデルでは,アダプティブグラフアテンション機構と,原点-終点ノードペアを接続する補助的な"仮想"リンクを統合する。 提案するヘテロジニアスグラフニューラルネットワークモデルは,収束率や予測精度の観点から,従来のニューラルネットワークモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-19T23:04:09Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic Flow Patterns Using a Graph Convolutional Neural Network [1.3706331473063877]
  本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。 モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
  論文  参考訳（メタデータ） (2022-02-21T19:45:15Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)

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。