論文の概要: A Hybrid Inductive-Transductive Network for Traffic Flow Imputation on Unsampled Locations

• arxiv url: http://arxiv.org/abs/2512.17984v1
• Date: Fri, 19 Dec 2025 14:14:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.138421
• Title: A Hybrid Inductive-Transductive Network for Traffic Flow Imputation on Unsampled Locations
• Title（参考訳）: 非サンプリング位置における交通流インプットのためのハイブリッドインダクティブ・トランスダクティブ・ネットワーク
• Authors: Mohammadmahdi Rahimiasl, Ynte Vanderhoydonc, Siegfried Mercelis,
• Abstract要約: HINTは、トランスダクティブなネットワークワイド信号として速度を扱うハイブリッドインダクティブ・トランスダクティブネットワークである。 HINTは3つのデータセットにまたがって、最先端のインダクティブベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 0.06511386778499104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately imputing traffic flow at unsensed locations is difficult: loop detectors provide precise but sparse measurements, speed from probe vehicles is widely available yet only weakly correlated with flow, and nearby links often exhibit strong heterophily in the scale of traffic flow (e.g., ramps vs. mainline), which breaks standard GNN assumptions. We propose HINT, a Hybrid INductive-Transductive Network, and an INDU-TRANSDUCTIVE training strategy that treats speed as a transductive, network-wide signal while learning flow inductively to generalize to unseen locations. HINT couples (i) an inductive spatial transformer that learns similarity-driven, long-range interactions from node features with (ii) a diffusion GCN conditioned by FiLM on rich static context (OSM-derived attributes and traffic simulation), and (iii) a node-wise calibration layer that corrects scale biases per segment. Training uses masked reconstruction with epoch-wise node sampling, hard-node mining to emphasize difficult sensors, and noise injection on visible flows to prevent identity mapping, while graph structure is built from driving distances. Across three real-world datasets, MOW (Antwerp, Belgium), UTD19-Torino, and UTD19-Essen, HINT consistently surpasses state-of-the-art inductive baselines. Relative to KITS, HINT reduces MAE on MOW by $\approx42$% with basic simulation and $\approx50$% with calibrated simulation; on Torino by $\approx22$%, and on Essen by $\approx12$%. Even without simulation, HINT remains superior on MOW and Torino, while simulation is crucial on Essen. These results show that combining inductive flow imputation with transductive speed, traffic simulations and external geospatial improves accuracy for the task described above.
• Abstract（参考訳）: ループ検出器は正確だがスパースな測定を提供し、プローブ車両からの速度は広く利用でき、フローと弱い相関があるだけであり、近隣リンクはしばしばGNNの仮定を破る交通流の規模(例えば、ランプ対メインライン)において強いヘテロフィリを示す。 本稿では,HINT,Hybrid Inductive-Transductive Network,およびInDU-TRANSDUCTIVEトレーニング戦略を提案する。 HINTカップル 一 ノード特徴から類似性駆動の長距離相互作用を学習する帰納的空間変換器 (II)リッチ静的コンテキスト(OSM由来の属性とトラフィックシミュレーション)にFiLMで条件付けされた拡散GCN、及び (iii)セグメントごとのスケールバイアスを補正するノードワイドキャリブレーション層。 トレーニングでは、エポックワイズノードサンプリングによるマスク付き再構築、困難なセンサー強調のためのハードノードマイニング、識別マッピングを防ぐための可視化フローへのノイズ注入、走行距離からグラフ構造を構築する。 MOW (Antwerp, Belgium)、UTD19-Torino、UTD19-Essenの3つの実世界のデータセットで、HINTは最先端のインダクティブベースラインを一貫して上回っている。 KITSとは対照的に、HINTはMOW上のMAEを基本的なシミュレーションで$\approx42$%、キャリブレーションされたシミュレーションで$\approx50$%、Torinoでは$\approx22$%、Essenでは$\approx12$%削減する。 シミュレーションなしでも、HINTはMOWやTorinoよりも優れており、シミュレーションはEssenにとって不可欠である。 これらの結果から, インダクティブ・フロー計算とトランスダクティブ・スピード, 交通シミュレーション, 外地空間計算を組み合わせることで, 上記の課題の精度が向上することがわかった。

関連論文リスト

• Graph Flow Matching: Enhancing Image Generation with Neighbor-Aware Flow Fields [19.09766809443072]
  フローマッチングはサンプル生成を,データにノイズを伝達する連続時間速度場学習として使用する。 学習速度を反応項に分解する軽量な拡張であるグラフフローマッチングを提案する。 事前訓練された変分オートエンコーダの潜伏空間で作動する。
  論文  参考訳（メタデータ） (2025-05-30T10:17:50Z)
• 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)
• MTDT: A Multi-Task Deep Learning Digital Twin [8.600701437207725]
  マルチタスク学習パラダイムを用いた総合交通流シミュレーションを提案する。 既存のディープラーニング手法と比較して、MTDT(Multi-Task Deep Learning Twin)は局所的時間的・空間的特徴への適応性を通じて自分自身を区別する。 また,個別の交通シミュレーションタスクの有効性について,マルチタスク学習の利点を示す。
  論文  参考訳（メタデータ） (2024-05-02T00:34:10Z)
• 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)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• 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)

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。