論文の概要: Interpretable long-term traffic modelling on national road networks using theory-informed deep learning

• arxiv url: http://arxiv.org/abs/2603.26440v1
• Date: Fri, 27 Mar 2026 14:08:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.531933
• Title: Interpretable long-term traffic modelling on national road networks using theory-informed deep learning
• Title（参考訳）: 理論インフォームド・ディープ・ラーニングを用いた全国道路網の解釈可能な長期交通モデリング
• Authors: Yue Li, Shujuan Chen, Akihiro Shimoda, Ying Jin,
• Abstract要約: 長期交通モデリングは交通計画に不可欠である。 既存のアプローチは、解釈可能性、転送可能性、予測精度をトレードオフする。 本稿では,旅行需要理論のキーアーキテクチャを組み込んだ理論インフォームドディープラーニングフレームワークであるDeepDemandを提案する。
• 参考スコア（独自算出の注目度）: 9.170949226743948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term traffic modelling is fundamental to transport planning, but existing approaches often trade off interpretability, transferability, and predictive accuracy. Classical travel demand models provide behavioural structure but rely on strong assumptions and extensive calibration, whereas generic deep learning models capture complex patterns but often lack theoretical grounding and spatial transferability, limiting their usefulness for long-term planning applications. We propose DeepDemand, a theory-informed deep learning framework that embeds key components of travel demand theory to predict long-term highway traffic volumes using external socioeconomic features and road-network structure. The framework integrates a competitive two-source Dijkstra procedure for local origin-destination (OD) region extraction and OD pair screening with a differentiable architecture modelling OD interactions and travel-time deterrence. The model is evaluated using eight years (2017-2024) of observations on the UK strategic road network, covering 5088 highway segments. Under random cross-validation, DeepDemand achieves an R2 of 0.718 and an MAE of 7406 vehicles, outperforming linear, ridge, random forest, and gravity-style baselines. Performance remains strong under spatial cross-validation (R2 = 0.665), indicating good geographic transferability. Interpretability analysis reveals a stable nonlinear travel-time deterrence pattern, key socioeconomic drivers of demand, and polycentric OD interaction structures aligned with major employment centres and transport hubs. These results highlight the value of integrating transport theory with deep learning for interpretable highway traffic modelling and practical planning applications.
• Abstract（参考訳）: 長期の交通モデリングは輸送計画の基本であるが、既存の手法は解釈可能性、伝達可能性、予測精度をトレードオフすることが多い。 古典的な旅行需要モデルは行動構造を提供するが、強い仮定と広範なキャリブレーションに依存しているのに対し、一般的なディープラーニングモデルは複雑なパターンをキャプチャするが、理論的な基盤と空間的移動性が欠如しており、長期計画アプリケーションにおいてその有用性を制限している。 本稿では,旅行需要理論の重要な要素を組み込んで,外部社会経済的特徴と道路ネットワーク構造を用いた長期道路交通量の予測を行う,理論インフォームドディープラーニングフレームワークであるDeepDemandを提案する。 このフレームワークは、ローカルオリジン決定(OD)領域抽出とODペアスクリーニングのための競合する2ソースのDijkstraプロシージャを統合する。 このモデルは、5088の高速道路区間をカバーする、英国戦略道路網上の8年間(2017-2024年)の観測データを用いて評価される。 ランダムなクロスバリデーションでは、DeepDemandは0.718のR2と7406台のMAEを達成し、線形、尾根、ランダムな森林、重力スタイルのベースラインを上回ります。 空間的クロスバリデーション(R2 = 0.665)の下では、良好な地理的移動性を示す性能が保たれている。 解釈可能性分析により、安定した非線形旅行時抑止パターン、需要の社会経済的要因、および主要な雇用センタや輸送ハブと整合した多心OD相互作用構造が明らかになった。 これらの結果は、解釈可能な高速道路交通モデリングと実用的な計画アプリケーションのための、輸送理論と深層学習を統合することの価値を強調している。

関連論文リスト

• Spatiotemporal Heterogeneity of AI-Driven Traffic Flow Patterns and Land Use Interaction: A GeoAI-Based Analysis of Multimodal Urban Mobility [0.0]
  土地利用と移動需要の複雑な非線形相互作用による都市交通の流れ 本研究では,交通流パターンをモデル化するGeoAI Hybrid frameworkを提案する。 このフレームワークを2つの対照的な都市形態にまたがる6都市にわたる350の交通分析ゾーンのデータセットに適用すると、4つの結果が浮かび上がっている。
  論文  参考訳（メタデータ） (2026-03-05T18:45:44Z)
• Learning Minimally-Congested Drive Times from Sparse Open Networks: A Lightweight RF-Based Estimator for Urban Roadway Operations [0.0]
  本稿では,最小渋滞車走行時間に対する軽量な推定器を開発した。 オープンなロードネットワークデータ、速度制約、スパース制御/ターン機能をランダムなフォレストフレームワークに統合する。 大都市圏でのポイント・ツー・ポイントの忠実さを保ち、資源の要求を減らし、防御可能な性能推定を供給している。
  論文  参考訳（メタデータ） (2026-01-04T09:54:44Z)
• 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)
• MDAS-GNN: Multi-Dimensional Spatiotemporal GNN with Spatial Diffusion for Urban Traffic Risk Forecasting [0.0]
  交通事故は公衆衛生にとって重要な問題であり、毎年135万人以上が生活していると主張している。 従来の事故予測モデルは道路セグメントを独立に扱い、都市交通網における複雑な空間的関係や時間的依存を捉えない。 本研究では,交通安全,インフラ,環境リスクの3つの主要なリスク次元を統合した多次元注意型空間拡散グラフニューラルネットワークMDAS-GNNを開発した。
  論文  参考訳（メタデータ） (2025-10-31T05:41:57Z)
• 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)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• 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)
• Deep Inverse Reinforcement Learning for Route Choice Modeling [0.6853165736531939]
  経路選択モデリングは交通計画と需要予測の基本的な課題である。 本研究では,リンクベース経路選択モデルのための一般的な逆強化学習(IRL)フレームワークを提案する。 中国上海のタクシーGPSデータに基づく実験結果から,提案モデルの性能改善を検証した。
  論文  参考訳（メタデータ） (2022-06-18T06:33:06Z)
• 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)
• 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。