論文の概要: Long-Horizon Traffic Forecasting via Incident-Aware Conformal Spatio-Temporal Transformers

• arxiv url: http://arxiv.org/abs/2603.16857v1
• Date: Tue, 17 Mar 2026 17:58:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.468802
• Title: Long-Horizon Traffic Forecasting via Incident-Aware Conformal Spatio-Temporal Transformers
• Title（参考訳）: インシデント対応等間隔変圧器による長距離交通予測
• Authors: Mayur Patil, Qadeer Ahmed, Shawn Midlam-Mohler, Stephanie Marik, Allen Sheldon, Rajeev Chhajer, Nithin Santhanam,
• Abstract要約: 本研究はオハイオ交通省(ODOT)の交通量データとそれに対応するODOT事故記録について検討した。 本研究では、適応等角予測(ACP)を用いた時空間変換器(STT)モデルを用いて、不確実性のあるマルチホライゾン予測を生成する。 実験では、他のベースライン法と比較して、長い水平精度とよく校正された予測間隔が改善された。
• 参考スコア（独自算出の注目度）: 0.23453441553817037
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reliable multi-horizon traffic forecasting is challenging because network conditions are stochastic, incident disruptions are intermittent, and effective spatial dependencies vary across time-of-day patterns. This study is conducted on the Ohio Department of Transportation (ODOT) traffic count data and corresponding ODOT crash records. This work utilizes a Spatio-Temporal Transformer (STT) model with Adaptive Conformal Prediction (ACP) to produce multi-horizon forecasts with calibrated uncertainty. We propose a piecewise Coefficient of Variation (CV) strategy that models hour-to-hour traveltime variability using a log-normal distribution, enabling the construction of a per-hour dynamic adjacency matrix. We further perturb edge weights using incident-related severity signals derived from the ODOT crash dataset that comprises incident clearance time, weather conditions, speed violations, work zones, and roadway functional class, to capture localized disruptions and peak/off-peak transitions. This dynamic graph construction replaces a fixed-CV assumption and better represents changing traffic conditions within the forecast window. For validation, we generate extended trips via multi-hour loop runs on the Columbus, Ohio, network in SUMO simulations and apply a Monte Carlo simulation to obtain travel-time distributions for a Vehicle Under Test (VUT). Experiments demonstrate improved long-horizon accuracy and well-calibrated prediction intervals compared to other baseline methods.
• Abstract（参考訳）: ネットワーク条件は確率的であり,インシデント・インシデント・インシデント・インシデントは断続的であり,有効空間依存性は日々のパターンによって異なるため,信頼性の高いマルチホライゾン交通予測は困難である。 本研究はオハイオ交通省(ODOT)の交通量データとそれに対応するODOT事故記録について検討した。 本研究では、適応等角予測(ACP)を用いた時空間変換器(STT)モデルを用いて、校正不確実性のあるマルチホライゾン予測を生成する。 対数正規分布を用いて時間毎の旅行時間変動をモデル化し,時間毎の動的随伴行列の構築を可能にするCV(Coefficient of Variation)戦略を提案する。 さらに,事故クリアランス時間,気象条件,速度違反,ワークゾーン,道路機能クラスを含むODOTクラッシュデータセットから得られたインシデント関連重症度信号を用いて,局部的破壊やピーク/オフピーク遷移を捉える。 この動的グラフ構造は固定CV仮定を置き換え、予測ウィンドウ内の交通条件の変化をより良く表現する。 検証のために,オハイオ州コロンバスでの複数時間ループ走行,SUMOシミュレーションのネットワークを用いて延長走行を生成し,モンテカルロシミュレーションを適用して車載テスト(VUT)の走行時間分布を求める。 実験では、他のベースライン法と比較して、長い水平精度とよく校正された予測間隔が改善された。

関連論文リスト

• Travel Time and Weather-Aware Traffic Forecasting in a Conformal Graph Neural Network Framework [0.30586855806896035]
  交通流予測は渋滞の管理、安全性の向上、交通システムの最適化に不可欠である。 より良い予測には、複数の動的および複雑な相互依存因子に影響される交通変動を調節できるモデルが必要である。 本稿では,適応的隣接性を利用したグラフニューラルネットワーク(GNN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-15T15:25:43Z)
• 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)
• Urban Traffic Forecasting with Integrated Travel Time and Data Availability in a Conformal Graph Neural Network Framework [0.6554326244334868]
  最先端のモデルは、可能な限り最良の方法でデータを考えるのに苦労することが多い。 本稿では,駅間の移動時間をグラフニューラルネットワークアーキテクチャの重み付き隣接行列に組み込む新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-07-17T01:11:07Z)
• Unveiling Delay Effects in Traffic Forecasting: A Perspective from Spatial-Temporal Delay Differential Equations [20.174094418301245]
  交通流予測は交通計画と管理の基本的な研究課題である。 近年,グラフニューラルネットワーク (GNN) とリカレントニューラルネットワーク (RNN) は交通流予測のための空間的時間的相関を捉えることに成功している。 1) GNNでのメッセージパッシングは即時であり、実際には近隣ノード間の空間的メッセージインタラクションは遅延する可能性がある。
  論文  参考訳（メタデータ） (2024-02-02T08:55:23Z)
• Irregular Traffic Time Series Forecasting Based on Asynchronous Spatio-Temporal Graph Convolutional Network [46.409567044630116]
  本稿では,不規則なトラフィック時系列予測に適した非同期時空間グラフ畳み込み nEtwoRk (ASeer) を提案する。 まず,適応的なトラフィック信号によって制御される非同期なトラフィック状態間の空間依存性をキャプチャする非同期グラフ拡散ネットワークを提案する。 そこで本研究では,時間認識型コンボリューションネットワークを提案し,時間認識型コンボリューションを時間認識型コンボリューションに適応させる。
  論文  参考訳（メタデータ） (2023-08-31T15:49:21Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。