論文の概要: Sensor Placement for Urban Traffic Interpolation: A Data-Driven Evaluation to Inform Policy

• arxiv url: http://arxiv.org/abs/2601.10747v1
• Date: Mon, 12 Jan 2026 10:46:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.228248
• Title: Sensor Placement for Urban Traffic Interpolation: A Data-Driven Evaluation to Inform Policy
• Title（参考訳）: 都市交通補間のためのセンサ配置:インフォーム・ポリシーのためのデータ駆動評価
• Authors: Silke K. Kaiser,
• Abstract要約: 都市全体の交通量に関するデータは、都市計画や持続可能なモビリティ管理に不可欠である。 しかし、こうしたデータは、センサーの配置とメンテナンスのコストが高いため、限られた通りのサブセットでしか利用できない。 この研究は、恒久的かつ一時的な交通センサの配置を最適化するための、実装が容易でデータ駆動型戦略の大規模で実世界のベンチマークを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data on citywide street-segment traffic volumes are essential for urban planning and sustainable mobility management. Yet such data are available only for a limited subset of streets due to the high costs of sensor deployment and maintenance. Traffic volumes on the remaining network are therefore interpolated based on existing sensor measurements. However, current sensor locations are often determined by administrative priorities rather than by data-driven optimization, leading to biased coverage and reduced estimation performance. This study provides a large-scale, real-world benchmarking of easily implementable, data-driven strategies for optimizing the placement of permanent and temporary traffic sensors, using segment-level data from Berlin (Strava bicycle counts) and Manhattan (taxi counts). It compares spatial placement strategies based on network centrality, spatial coverage, feature coverage, and active learning. In addition, the study examines temporal deployment schemes for temporary sensors. The findings highlight that spatial placement strategies that emphasize even spatial coverage and employ active learning achieve the lowest prediction errors. With only 10 sensors, they reduce the mean absolute error by over 60% in Berlin and 70% in Manhattan compared to alternatives. Temporal deployment choices further improve performance: distributing measurements evenly across weekdays reduces error by an additional 7% in Berlin and 21% in Manhattan. Together, these spatial and temporal principles allow temporary deployments to closely approximate the performance of optimally placed permanent deployments. From a policy perspective, the results indicate that cities can substantially improve data usefulness by adopting data-driven sensor placement strategies, while retaining flexibility in choosing between temporary and permanent deployments.
• Abstract（参考訳）: 都市全体の交通量に関するデータは、都市計画や持続可能なモビリティ管理に不可欠である。 しかし、こうしたデータは、センサーの配置とメンテナンスのコストが高いため、限られた通りのサブセットでしか利用できない。 したがって、既存のセンサ測定に基づいて、残りのネットワーク上のトラフィック量を補間する。 しかし、現在のセンサ位置はデータ駆動最適化よりも管理上の優先事項によって決定されることが多く、バイアスのあるカバレッジと推定性能が低下する。 この研究は、ベルリン(Strava bike counts)とマンハッタン(taxi counts)のセグメントレベルのデータを用いて、恒久的かつ一時的な交通センサの配置を最適化するための、実装が容易でデータ駆動型の大規模で実世界のベンチマークを提供する。 ネットワーク中心性、空間カバレッジ、特徴カバレッジ、アクティブラーニングに基づく空間配置戦略を比較する。 さらに, 一時センサの時間配置方式についても検討した。 その結果,空間的包摂性を重視し,能動的学習を取り入れた空間配置戦略は,予測誤差が最少であることが示唆された。 10個のセンサーだけで、ベルリンでは平均的な絶対誤差を60%以上、マンハッタンでは70%以上削減できる。 平日を均等に分散することで、ベルリンでは7%、マンハッタンでは21%のエラーが減少する。 これらの空間的および時間的原理により、一時的な配置は最適に配置された恒久的な配置のパフォーマンスを正確に近似することができる。 政策の観点からは、都市は一時的な配置と恒久的配置の選択の柔軟性を維持しつつ、データ駆動型センサー配置戦略を採用することにより、データの有用性を大幅に改善できることを示している。

関連論文リスト

• Spatio-Temporal Partial Sensing Forecast for Long-term Traffic [10.596535591399274]
  交通予測は、選択した場所に設置されたセンサによる最近の計測を使用して、将来の道路交通を予測する。 本稿では,一部の地域でのみセンサが利用できることを前提として,長期交通量の部分的検知予測に焦点をあてる。 トラフィック予測のためのS-temporal-Long-term partial Forecast(SLPF)を提案する。
  論文  参考訳（メタデータ） (2024-08-02T21:22:22Z)
• DynST: Dynamic Sparse Training for Resource-Constrained Spatio-Temporal Forecasting [31.398965880415492]
  地球科学システムは、センサーの広範な展開に大きく依存している。 従来のセンサー配置アプローチでは、特定のアルゴリズムを使用してセンサーを設計および展開する。 本稿では,スパース時間データダイナミックスパーストレーニングの概念を初めて紹介し,適応的かつ動的に重要な分布センサをフィルタリングすることにコミットする。
  論文  参考訳（メタデータ） (2024-03-05T12:31:24Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• 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)
• Dense Air Quality Maps Using Regressive Facility Location Based Drive By Sensing [4.264192013842096]
  本稿では,隣接する場所におけるスムーズさと自己回帰時間相関を組み込んだ効率的な車両選択フレームワークを提案する。 インド・デリーの公共交通機関からサブセットを選択する際の枠組みを評価する。
  論文  参考訳（メタデータ） (2022-01-20T18:20:37Z)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)

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。