論文の概要: Refining time-space traffic diagrams: A neighborhood-adaptive linear regression method
- arxiv url: http://arxiv.org/abs/2603.24312v1
- Date: Wed, 25 Mar 2026 13:51:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-26 21:06:11.315975
- Title: Refining time-space traffic diagrams: A neighborhood-adaptive linear regression method
- Title（参考訳）: 時間空間交通図の精細化:近傍適応線形回帰法
- Authors: Zhihong Yao, Yi Yu, Yunxia Wu, Hao Li, Yangsheng Jiang, Zhengbing He,
- Abstract要約: 本稿では,周辺適応線形回帰に基づくTSトラフィック図の改良手法を提案する。
提案手法はMAE, MAPE, CMJS, SSIM, GMSDなどの指標の9.16%, 8.16%, 1.86%, 3.89%, 5.83%の改善を実現する。
- 参考スコア（独自算出の注目度）: 30.95613945998647
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The time-space (TS) traffic diagram serves as a crucial tool for characterizing the dynamic evolution of traffic flow, with its resolution directly influencing the effectiveness of traffic theory research and engineering applications. However, constrained by monitoring precision and sampling frequency, existing TS traffic diagrams commonly suffer from low resolution. To address this issue, this paper proposes a refinement method for TS traffic diagrams based on neighborhood-adaptive linear regression. Introducing the concept of neighborhood embedding into TS diagram refinement, the method leverages local pattern similarity in TS diagrams, adaptively identifies neighborhoods similar to target cells, and fits the low-to-high resolution mapping within these neighborhoods for refinement. It avoids the over-smoothing tendency of the traditional global linear model, allows the capture of unique traffic wave propagation and congestion evolution characteristics, and outperforms the traditional neighborhood embedding method in terms of local information utilization to achieve target cell refinement. Validation on two real datasets across multiple scales and upscaling factors shows that, compared to benchmark methods, the proposed method achieves improvements of 9.16%, 8.16%, 1.86%, 3.89%, and 5.83% in metrics including MAE, MAPE, CMJS, SSIM, and GMSD, respectively. Furthermore, the proposed method exhibits strong generalization and robustness in cross-day and cross-scenario validations. In summary, requiring only a minimal amount of paired high- and low-resolution training data, the proposed method features a concise formulation, providing a foundation for the low-cost, fine-grained refinement of low-sampling-rate traffic data.
- Abstract（参考訳）: 時間空間(TS)トラヒックダイアグラムは交通流れの動的進化を特徴づける重要なツールであり、その解像度がトラヒック理論の研究と工学的応用の有効性に直接影響する。
しかしながら、既存のTSトラフィックダイアグラムは、精度の監視とサンプリング頻度の制限により、通常、低解像度に悩まされる。
そこで本研究では,近隣適応線形回帰に基づくTSトラフィック図の改良手法を提案する。
TSダイアグラムの局所パターン類似性を利用して、TSダイアグラムへの近傍埋め込みの概念を導入し、ターゲットセルと類似した近傍を適応的に同定し、これらの近傍の低分解能マッピングに適合させる。
従来のグローバルリニアモデルの過度なスムース化傾向を回避し、ユニークなトラフィック波伝搬と混雑進化特性の捕捉を可能にし、ローカル情報利用の観点から従来の近傍埋め込み法より優れて、標的セルの微細化を実現している。
ベンチマーク手法と比較すると,MAE,MAPE,CMJS,SSIM,GMSDの2つの実データセットに対する検証では,それぞれ9.16%,8.16%,1.86%,3.89%,5.83%の改善が達成されている。
さらに,提案手法は,日次および日次検証において強い一般化とロバスト性を示す。
要約すると、最小限の高解像度および低解像度のトレーニングデータしか必要とせず、提案手法は簡潔な定式化を特徴とし、低コストできめ細かな低サンプリングレートのトラフィックデータの精細化の基礎となる。
関連論文リスト
- Event-based Visual Deformation Measurement [76.25283405575108]
視覚的変形測定は、カメラ観測から表面の動きを追跡することによって、高密度な変形場を復元することを目的としている。
従来の画像ベースの手法は、対応検索空間を制限するため、最小限のフレーム間動作に依存している。
本研究では,時間的に密集した動きキューやフレームのイベントを利用して,空間的に密集した正確な推定を行うイベントフレーム融合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-16T01:04:48Z) - 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) - Network-Level Vehicle Delay Estimation at Heterogeneous Signalized Intersections [4.534054317956599]
本研究では,様々な交差点を横断する車両遅延を推定するためのドメイン適応(DA)フレームワークを提案する。
新たなDAモデルであるGradient Boosting with Balanced Weighting (GBBW)は、ターゲットドメインとの類似性に基づいてソースデータを重み付けする。
8つの最先端ML回帰モデルと7つのインスタンスベースのDA手法で性能を評価する。
論文 参考訳（メタデータ） (2025-10-01T05:19:50Z) - Calibration of Vehicular Traffic Simulation Models by Local Optimization [43.942239814508106]
トラフィックカウントデータを用いたシミュレーションモデルのキャリブレーションは、環境の複雑さ、データの欠如、トラフィックダイナミクスの不確実性のために困難である。
本稿では,シミュレーションに基づく新しい交通キャリブレーション手法を提案する。
ベルギーのブリュッセルで,実交通監視装置のデータを用いて提案手法の評価を行った。
論文 参考訳（メタデータ） (2025-02-17T09:17:01Z) - Efficient and Robust Freeway Traffic Speed Estimation under Oblique Grid using Vehicle Trajectory Data [19.01488741469791]
斜め交通速度を正確に推定するための効率的でロバストな低ランクモデルを提案する。
提案手法は,TSEシナリオにおけるルート平均角誤差(RMSE)を最大12%改善する。
最先端のSOTA(State-of-the-art)メソッドよりも20倍以上高速に動作します。
論文 参考訳（メタデータ） (2024-11-06T15:13:40Z) - 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) - REG: Refined Generalized Focal Loss for Road Asset Detection on Thai Highways Using Vision-Based Detection and Segmentation Models [0.0]
本稿では,タイの高速道路における重要道路資産の検出・分断のための新しい枠組みを提案する。
提案手法は,最先端の視覚に基づく検出・セグメンテーションモデルに統合され,クラス不均衡と,未表現の道路要素の局所化の課題に効果的に対処する。
論文 参考訳（メタデータ） (2024-09-15T22:04:33Z) - Deep Learning Methods for Adjusting Global MFD Speed Estimations to Local Link Configurations [4.2185937778110825]
本研究では,リンク構成に基づいて,実リンク速度とMFD平均速度の局所的な速度差を表す局所補正係数(LCF)を提案する。
LCFは、MFDから平均速度と道路網構成を入力として行う深層学習関数を用いて計算される。
本フレームワークは,グラフ注意ネットワーク(GAT)とGRU(Gated Recurrent Units)を統合し,ネットワーク内の空間的構成と時間的相関の両方をキャプチャする。
論文 参考訳（メタデータ） (2024-05-23T07:37:33Z) - View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
本稿では,屋外ロボットのための微細な自己局在化手法を提案する。
提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。
これは、動的環境における知覚を増強する初めての疎視のみの手法である。
論文 参考訳（メタデータ） (2023-08-16T02:51:52Z) - 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)
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。