論文の概要: Reinforcement Learning-Guided Dynamic Multi-Graph Fusion for Evacuation Traffic Prediction

• arxiv url: http://arxiv.org/abs/2601.06664v1
• Date: Sat, 10 Jan 2026 19:56:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.926347
• Title: Reinforcement Learning-Guided Dynamic Multi-Graph Fusion for Evacuation Traffic Prediction
• Title（参考訳）: 強化学習型動的マルチグラフ融合による避難交通予測
• Authors: Md Nafees Fuad Rafi, Samiul Hasan,
• Abstract要約: 我々は,避難交通予測のための新しい強化学習誘導動的マルチグラフフュージョン(RL-DMF)フレームワークを開発した。 我々は,交通検知器間の異種時間関係を表現するために,各ステップで複数の動的グラフを構築する。 動的多グラフ融合(DMF)モジュールは、これらのグラフから情報を適応的に学習し、結合するために使用される。 このモデルは2016年から2024年までフロリダに影響を及ぼす12のハリケーンの現実世界を用いて評価されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time traffic prediction is critical for managing transportation systems during hurricane evacuations. Although data-driven graph-learning models have demonstrated strong capabilities in capturing the complex spatiotemporal dynamics of evacuation traffic at a network level, they mostly consider a single dimension (e.g., travel-time or distance) to construct the underlying graph. Furthermore, these models often lack interpretability, offering little insight into which input variables contribute most to their predictive performance. To overcome these limitations, we develop a novel Reinforcement Learning-guided Dynamic Multi-Graph Fusion (RL-DMF) framework for evacuation traffic prediction. We construct multiple dynamic graphs at each time step to represent heterogeneous spatiotemporal relationships between traffic detectors. A dynamic multi-graph fusion (DMF) module is employed to adaptively learn and combine information from these graphs. To enhance model interpretability, we introduce RL-based intelligent feature selection and ranking (RL-IFSR) method that learns to mask irrelevant features during model training. The model is evaluated using a real-world dataset of 12 hurricanes affecting Florida from 2016 to 2024. For an unseen hurricane (Milton, 2024), the model achieves a 95% accuracy (RMSE = 293.9) for predicting the next 1-hour traffic flow. Moreover, the model can forecast traffic flow for up to next 6 hours with 90% accuracy (RMSE = 426.4). The RL-DMF framework outperforms several state-of-the-art traffic prediction models. Furthermore, ablation experiments confirm the effectiveness of dynamic multi-graph fusion and RL-IFSR approaches for improving model performance. This research provides a generalized and interpretable model for real-time evacuation traffic forecasting, with significant implications for evacuation traffic management.
• Abstract（参考訳）: リアルタイム交通予測は、ハリケーン避難時の交通システム管理に不可欠である。 データ駆動型グラフ学習モデルは、ネットワークレベルでの避難トラフィックの複雑な時空間的ダイナミクスを捉える上で強力な能力を示しているが、それらは主に、基礎となるグラフを構築するための単一の次元(例えば、旅行時間または距離)を考える。 さらに、これらのモデルは解釈可能性に欠けることが多く、どの入力変数が予測性能に最も寄与するかについての洞察はほとんど得られない。 これらの制約を克服するため,避難交通予測のための強化学習誘導動的マルチグラフフュージョン(RL-DMF)フレームワークを開発した。 我々は,交通検知器間の不均一な時空間関係を表現するために,各ステップで複数の動的グラフを構築する。 動的多グラフ融合(DMF)モジュールは、これらのグラフから情報を適応的に学習し、結合するために使用される。 モデル解釈可能性を高めるために,モデル学習中に無関係な特徴をマスキングすることを学ぶRL-IFSR法を導入する。 このモデルは2016年から2024年までフロリダに影響を与える12のハリケーンの実際のデータセットを用いて評価されている。 目に見えないハリケーン(ミルトン、2024年)では、次の1時間の交通量を予測するために95%の精度(RMSE = 293.9)を達成する。 さらに、このモデルでは、90%の精度(RMSE = 426.4)でトラフィックフローを最大6時間予測することができる。 RL-DMFフレームワークは、最先端のトラフィック予測モデルよりも優れている。 さらに、アブレーション実験により、動的多重グラフ融合とRL-IFSRによるモデル性能向上の有効性が確認された。 本研究は、リアルタイム避難交通予測のための一般化された解釈可能なモデルを提供し、避難交通管理に大きな影響を与える。

関連論文リスト

• GEnSHIN: Graphical Enhanced Spatio-temporal Hierarchical Inference Network for Traffic Flow Prediction [0.7605656525323705]
  本稿では,交通流予測における複雑な時間依存性を扱うためのグラフ拡張S時間階層推論ネットワーク(GEnSHIN)を提案する。 公開データセットMETR-LAの実験では、GEnSHINが複数のメトリクスで比較モデルのパフォーマンスを上回ることが示されている。
  論文  参考訳（メタデータ） (2026-01-08T03:27:10Z)
• FlowMo: Variance-Based Flow Guidance for Coherent Motion in Video Generation [51.110607281391154]
  FlowMoは、テキスト・ビデオ・モデルにおける動きコヒーレンスを高めるためのトレーニング不要のガイダンス手法である。 時間次元のパッチワイドな分散を測定して動きのコヒーレンスを推定し、サンプリング中にこの分散を動的に減少させるためにモデルを導く。
  論文  参考訳（メタデータ） (2025-06-01T19:55:33Z)
• Dynamic Trend Fusion Module for Traffic Flow Prediction [9.650380389159459]
  既存の手法はしばしば、空間的相関と時間的相関を別々にモデル化し、効果的に融合しない。 交通ネットワークのマルチビュー動的特徴を学習するための動的相関を融合する動的時空間トレンド変換器DST2を提案する。 4つの実世界のトラフィックデータセットの実験は、我々のフレームワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-01-18T15:16:47Z)
• SFADNet: Spatio-temporal Fused Graph based on Attention Decoupling Network for Traffic Prediction [4.868638426254428]
  本稿では,空間的特徴量に基づいてトラフィックフローを複数のトラフィックパターンに分類する,革新的なトラフィックフロー予測ネットワークであるSFADNetを提案する。 各パターンに対して、残差グラフ畳み込みモジュールと時系列モジュールを用いて、相互アテンション機構に基づく独立適応時間融合グラフを構築する。 大規模な実験結果によると、SFADNetは大規模な4スケールのデータセットで現在の最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-01-07T09:09:50Z)
• Pedestrian Volume Prediction Using a Diffusion Convolutional Gated Recurrent Unit Model [4.050741108304134]
  本研究では,Deffusion Convolutional Grated Recurrent Unit(DCGRU)の拡張として,Deffusion Convolutional Grated Recurrent Unit(DCGRU)の拡張モデルを提案する。 提案手法は,従来のベクトル自己回帰モデルと元のDCGRUとを,複数のモデル精度指標で比較した。
  論文  参考訳（メタデータ） (2024-11-05T02:40:43Z)
• A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
  本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。 モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
  論文  参考訳（メタデータ） (2024-06-02T05:41:25Z)
• 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)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)

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。