論文の概要: RIPCN: A Road Impedance Principal Component Network for Probabilistic Traffic Flow Forecasting

• arxiv url: http://arxiv.org/abs/2512.21685v1
• Date: Thu, 25 Dec 2025 14:08:50 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 11:57:00.741024
• Title: RIPCN: A Road Impedance Principal Component Network for Probabilistic Traffic Flow Forecasting
• Title（参考訳）: RIPCN:確率的交通流予測のための道路インピーダンス主成分ネットワーク
• Authors: Haochen Lv, Yan Lin, Shengnan Guo, Xiaowei Mao, Hong Nie, Letian Gong, Youfang Lin, Huaiyu Wan,
• Abstract要約: PTFFのための時間的主成分学習とドメイン固有の輸送理論を統合した道路インピーダンス主成分ネットワークであるRIPCNを提案する。 RIPCNは、渋滞レベルと流動変動によって引き起こされる交通伝達パターンをキャプチャし、不確実性の直接的な原因を明らかにし、信頼性と解釈可能性の両方を高める。
• 参考スコア（独自算出の注目度）: 29.01605113478814
• License:
• Abstract: Accurate traffic flow forecasting is crucial for intelligent transportation services such as navigation and ride-hailing. In such applications, uncertainty estimation in forecasting is important because it helps evaluate traffic risk levels, assess forecast reliability, and provide timely warnings. As a result, probabilistic traffic flow forecasting (PTFF) has gained significant attention, as it produces both point forecasts and uncertainty estimates. However, existing PTFF approaches still face two key challenges: (1) how to uncover and model the causes of traffic flow uncertainty for reliable forecasting, and (2) how to capture the spatiotemporal correlations of uncertainty for accurate prediction. To address these challenges, we propose RIPCN, a Road Impedance Principal Component Network that integrates domain-specific transportation theory with spatiotemporal principal component learning for PTFF. RIPCN introduces a dynamic impedance evolution network that captures directional traffic transfer patterns driven by road congestion level and flow variability, revealing the direct causes of uncertainty and enhancing both reliability and interpretability. In addition, a principal component network is designed to forecast the dominant eigenvectors of future flow covariance, enabling the model to capture spatiotemporal uncertainty correlations. This design allows for accurate and efficient uncertainty estimation while also improving point prediction performance. Experimental results on real-world datasets show that our approach outperforms existing probabilistic forecasting methods.
• Abstract（参考訳）: 交通流の正確な予測は、ナビゲーションや配車といったインテリジェントな交通サービスにとって不可欠である。 このようなアプリケーションでは、交通リスクレベルの評価、予測信頼性の評価、タイムリーな警告の提供など、予測における不確実性評価が重要である。 その結果,確率論的交通流予測(PTFF)が注目され,ポイント予測と不確実性推定の両方が生み出された。 しかし,既存のPTFFアプローチは,(1)信頼度予測のための交通流の不確実性の原因を解明し,モデル化する方法,(2)正確な予測のための時空間相関の取得方法,の2つの大きな課題に直面している。 これらの課題に対処するため、PTFFのための時空間主成分学習とドメイン固有の輸送理論を統合した道路インピーダンス主成分ネットワークRIPCNを提案する。 RIPCNは,道路渋滞レベルと流動変動により誘導される方向交通伝達パターンを捉える動的インピーダンス進化ネットワークを導入し,不確実性の直接的な原因を明らかにし,信頼性と解釈可能性の両方を高める。 さらに、主成分ネットワークは、将来の流れの共分散における支配的固有ベクトルを予測し、時空間的不確実性相関を捉えることができるように設計されている。 この設計は、点予測性能を改善しつつ、正確で効率的な不確実性推定を可能にする。 実世界のデータセットによる実験結果から,本手法は既存の確率予測手法より優れていることが示された。

関連論文リスト

• Distillation-Accelerated Uncertainty Modeling for Multi-Objective RTA Interception [6.815446986729023]
  DAUMは、多目的学習と不確実性モデリングを統合する共同モデリングフレームワークである。 DAUMに基づいて知識蒸留を適用し,不確実性モデリングの計算オーバーヘッドを低減する。 JD広告データセットの実験は、DAUMが常に予測性能を改善することを示した。
  論文  参考訳（メタデータ） (2025-11-05T08:14:12Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Global Spatio-Temporal Fusion-based Traffic Prediction Algorithm with Anomaly Aware [12.570413823751494]
  本稿では,異常認識を取り入れた時空間融合に基づく交通予測アルゴリズムを提案する。 本稿では,交通流の正確な予測のために,トランスフォーマアーキテクチャに基づくマルチスケール時空間融合モジュール(MTSFFL)を提案する。
  論文  参考訳（メタデータ） (2024-12-19T06:40:21Z)
• Causally-Aware Spatio-Temporal Multi-Graph Convolution Network for Accurate and Reliable Traffic Prediction [5.200012764049096]
  本研究は,高精度かつ信頼性の高い予測を行うための高度な深層学習モデルを実証するために,時間的問題-トラヒック予測の事例に焦点を当てた。 本稿では,3つの主要コンポーネントを有効活用し,高精度かつ信頼性の高いトラフィック予測を行う,エンドツーエンドのトラフィック予測フレームワークを提案する。 2つの実世界の交通データセットの実験結果から,この手法は予測精度においていくつかの最先端モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-23T14:35:54Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
  不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。 複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。 モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
  論文  参考訳（メタデータ） (2023-08-11T13:35:52Z)
• How Does Traffic Environment Quantitatively Affect the Autonomous Driving Prediction? [10.28126737850673]
  本研究では,予期せぬシナリオや未知のシナリオに直面する場合,高い不確実性を出力する軌道予測フレームワークを提案する。 提案手法は,予測アルゴリズムの性能に及ぼす環境の影響を解析するために用いられる。
  論文  参考訳（メタデータ） (2023-01-11T11:47:54Z)
• AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network for Traffic Forecasting [12.284512000306314]
  交通予測手法に外部要因を統合するための属性拡張時間グラフ畳み込みネットワーク(AST-GCN)を提案する。 従来の交通予測手法と比較して,交通予測タスクの外部情報を考慮した場合の有効性を示す。
  論文  参考訳（メタデータ） (2020-11-22T12:49:55Z)

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。