論文の概要: Distributed Acoustic Sensing for Urban Traffic Monitoring: Spatio-Temporal Attention in Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2603.13903v1
• Date: Sat, 14 Mar 2026 11:30:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.477158
• Title: Distributed Acoustic Sensing for Urban Traffic Monitoring: Spatio-Temporal Attention in Recurrent Neural Networks
• Title（参考訳）: 都市交通モニタリングのための分散音響センシング:リカレントニューラルネットワークにおける時空間的注意
• Authors: Izhan Fakhruzi, Manuel Titos, Carmen Benítez, Luz García,
• Abstract要約: 本研究では,スペイン・グラナダで実世界のDASによる交通監視実験を行った。 リカレントニューラルネットワーク(RNN)は、イベント内およびイベント間の時間依存性をモデル化するために使用される。 アテンション・ヒートマップは、情報的空間的位置と時間的セグメントを強調することによって、物理的に意味のある解釈を提供する。
• 参考スコア（独自算出の注目度）: 0.6871412205793616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective urban traffic monitoring is essential for improving mobility, enhancing safety, and supporting sustainable cities. Distributed Acoustic Sensing (DAS) enables large-scale traffic observation by transforming existing fiber-optic infrastructure into dense arrays of vibration sensors. However, modeling the high-resolution spatio-temporal structure of DAS data for reliable traffic event recognition remains challenging. This study presents a real-world DAS-based traffic monitoring experiment conducted in Granada, Spain, where vehicles cross a fiber deployed perpendicular to the roadway. Recurrent neural networks (RNNs) are employed to model intra- and inter-event temporal dependencies. Spatial and temporal attention mechanisms are systematically integrated within the RNN architecture to analyze their impact on recognition performance, parameter efficiency, and interpretability. Results show that an appropriate and complementary placement of attention modules improves the balance between accuracy and model complexity. Attention heatmaps provide physically meaningful interpretations of classification decisions by highlighting informative spatial locations and temporal segments. Furthermore, the proposed SA-bi-TA configuration demonstrates spatial transferability, successfully recognizing traffic events at sensing locations different from those used during training, with only moderate performance degradation. These findings support the development of scalable and interpretable DAS-based traffic monitoring systems capable of operating under heterogeneous urban sensing conditions.
• Abstract（参考訳）: 効果的な都市交通監視は、移動性の向上、安全性の向上、持続可能な都市のサポートに不可欠である。 分散音響センシング(DAS)は、既存の光ファイバーインフラを高密度の振動センサ配列に変換することで、大規模交通観測を可能にする。 しかし、信頼性の高い交通事象認識のためのDASデータの高分解能時空間構造をモデル化することは依然として困難である。 本研究では,スペイン・グラナダで実世界のDASによる交通監視実験を行い,自動車が道路に垂直に配置された繊維を横切る実験を行った。 リカレントニューラルネットワーク(RNN)は、イベント内およびイベント間の時間依存性をモデル化するために使用される。 空間的および時間的注意機構は、認識性能、パラメータ効率、解釈可能性への影響を分析するために、RNNアーキテクチャに体系的に統合される。 その結果,アテンションモジュールの適切な配置と相補的な配置により,精度とモデルの複雑さのバランスが向上することが示唆された。 注意熱マップは、情報的空間的位置と時間的セグメントを強調することによって、分類決定を物理的に意味のある解釈を提供する。 さらに,SA-bi-TA構成は空間伝達性を示し,トレーニング中に使用するものと異なる位置の交通事象を適度な性能劣化で認識することに成功した。 これらの知見は、異質な都市センシング条件下での運用が可能な、スケーラブルで解釈可能なDASベースの交通監視システムの開発を支援する。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Graph Convolutional Network With Pattern-Spatial Interactive and Regional Awareness for Traffic Forecasting [0.0]
  パターンと空間モジュールからなるパターン空間の対話型融合フレームワークを提案する。 空間モジュールでは,メッセージパッシングに基づくグラフ畳み込みネットワークを設計した。 このネットワークは、地域特性バンクを活用して、データ駆動型メッセージパッシングを再構築するように設計されている。
  論文  参考訳（メタデータ） (2025-08-30T14:39:02Z)
• ON-Traffic: An Operator Learning Framework for Online Traffic Flow Estimation and Uncertainty Quantification from Lagrangian Sensors [0.0]
  この研究は、新しいディープ演算子であるOn-Trafficを導入し、トラフィック状態のオンライン推定に適した水平方向学習ベースのフレームワークを提案する。 本フレームワークは,不規則でスパースな入力データを処理し,時間シフトに適応し,精度の高い不確実性推定を行うことのできる,数値データとシミュレーションデータの両方で評価される。 その結果, 衝撃波や混雑伝播などの複雑な交通シナリオを捉えるとともに, 騒音やセンサの落下に対する堅牢性を維持していることがわかった。
  論文  参考訳（メタデータ） (2025-03-18T09:13:24Z)
• How Cars Move: Analyzing Driving Dynamics for Safer Urban Traffic [12.414957984956043]
  PriorMotionは、動的解析を駆動することで、運動パターンを体系的に発見するように設計されたデータ統合フレームワークである。 提案手法は,都市交通の空間的時間的傾向を捉えるために,マルチスケールな経験的観察とカスタマイズされた分析ツールを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-05T09:56:24Z)
• 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)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• 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)
• 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)
• Network Level Spatial Temporal Traffic State Forecasting with Hierarchical-Attention-LSTM (HierAttnLSTM) [0.0]
  本稿では,オープンベンチマークにホストされたPeMS(Caltrans Performance Measurement System)から,多様なトラフィック状態データセットを活用する。 我々は,低レベルから高レベルLong Short-Term Memory (LSTM) ネットワーク間のセルおよび隠れ状態とアテンションプーリング機構を統合した。 構築された階層構造は、ネットワークレベルのトラフィック状態の空間的時間的相関をキャプチャして、異なる時間スケールにまたがる依存関係を考慮に入れられるように設計されている。
  論文  参考訳（メタデータ） (2022-01-15T05:25:03Z)
• 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)

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。