論文の概要: Network-Wide Traffic Volume Estimation from Speed Profiles using a Spatio-Temporal Graph Neural Network with Directed Spatial Attention

• arxiv url: http://arxiv.org/abs/2512.13758v1
• Date: Mon, 15 Dec 2025 11:30:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.432491
• Title: Network-Wide Traffic Volume Estimation from Speed Profiles using a Spatio-Temporal Graph Neural Network with Directed Spatial Attention
• Title（参考訳）: 空間指向型時空間グラフニューラルネットワークを用いた速度分布からのネットワーク側交通量推定
• Authors: Léo Hein, Giovanni de Nunzio, Giovanni Chierchia, Aurélie Pirayre, Laurent Najman,
• Abstract要約: 本稿では,HDA-STGNN(Hybrid Directed-Attention Spatio-Temporal Graph Neural Network)を提案する。 提案手法は, 速度プロファイル, 静的道路特性, ネットワークトポロジを利用して, ネットワーク内の全道路区間の交通量を予測する。
• 参考スコア（独自算出の注目度）: 6.298495506269846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing traffic volume estimation methods typically address either forecasting traffic on sensor-equipped roads or spatially imputing missing volumes using nearby sensors. While forecasting models generally disregard unmonitored roads by design, spatial imputation methods explicitly address network-wide estimation; yet this approach relies on volume data at inference time, limiting its applicability in sensor-scarce cities. Unlike traffic volume data, probe vehicle speeds and static road attributes are more broadly accessible and support full coverage of road segments in most urban networks. In this work, we present the Hybrid Directed-Attention Spatio-Temporal Graph Neural Network (HDA-STGNN), an inductive deep learning framework designed to tackle the network-wide volume estimation problem. Our approach leverages speed profiles, static road attributes, and road network topology to predict daily traffic volume profiles across all road segments in the network. To evaluate the effectiveness of our approach, we perform extensive ablation studies that demonstrate the model's capacity to capture complex spatio-temporal dependencies and highlight the value of topological information for accurate network-wide traffic volume estimation without relying on volume data at inference time.
• Abstract（参考訳）: 既存の交通量推定法は、センサ付き道路の交通予測や、近接センサーを用いた空間的に欠落量に対処するのが一般的である。 予測モデルは一般に未監視道路を設計によって無視するが、空間的計算法はネットワーク全体の推定を明示的に扱う。 交通量データとは異なり、調査車両の速度と静的道路特性はより広くアクセス可能であり、ほとんどの都市ネットワークにおける道路セグメントの完全なカバーをサポートする。 本研究では,HDA-STGNN(Hybrid Directed-Attention Spatio-Temporal Graph Neural Network)を提案する。 提案手法は, 速度プロファイル, 静的道路特性, 道路ネットワークのトポロジを利用して, ネットワーク内の全道路区間の交通量プロファイルを予測する。 提案手法の有効性を評価するため, 複雑な時空間依存性を捕捉するモデルの性能を実証し, 推定時のボリュームデータに頼ることなく, 正確なネットワーク全体のトラフィック量推定のためのトポロジ情報の価値を強調した。

関連論文リスト

• Fine-Grained Urban Traffic Forecasting on Metropolis-Scale Road Networks [14.684896571014747]
  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。
  論文  参考訳（メタデータ） (2025-10-02T17:53:51Z)
• 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)
• 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)
• Traffic Volume Prediction using Memory-Based Recurrent Neural Networks: A comparative analysis of LSTM and GRU [5.320087179174425]
  我々は、リアルタイムにトラフィック量を予測するための非線形メモリベースディープニューラルネットワークモデルを開発した。 本実験は,高ダイナミックかつ異種交通環境における交通量予測における提案モデルの有効性を実証するものである。
  論文  参考訳（メタデータ） (2023-03-22T15:25:07Z)
• 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)
• 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)
• DeepTransport: Learning Spatial-Temporal Dependency for Traffic Condition Forecasting [31.65583737358249]
  交通状況を予測するために,DeepTransportというエンドツーエンドのフレームワークを提案する。 CNNとRNNは、交通ネットワークトポロジ内の時空間交通情報を得るために利用される。 5分間の解像度で,実世界の大規模交通条件データセットを構築し,リリースした。
  論文  参考訳（メタデータ） (2017-09-27T15:39:49Z)

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。