論文の概要: Fusing Cellular Network Data and Tollbooth Counts for Urban Traffic Flow Estimation

• arxiv url: http://arxiv.org/abs/2604.15782v1
• Date: Fri, 17 Apr 2026 07:40:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.795019
• Title: Fusing Cellular Network Data and Tollbooth Counts for Urban Traffic Flow Estimation
• Title（参考訳）: 都市交通流推定のためのセルラーネットワークデータとTollbooth数の利用
• Authors: Oluwaleke Yusuf, Shaira Tabassum,
• Abstract要約: 都市交通インフラの介入計画に不可欠な交通シミュレーションには、オリジン・デスティネーション(OD)データが必要である。 Sparse tollboothセンサーは、カテゴリーごとの正確な車両数を提供し、セルラーネットワークからの広範なモビリティデータは、集約された群衆の動きをキャプチャする。 本研究では,スパース・トールボース数を用いてセルラーネットワークデータを正解する機械学習フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic simulations, essential for planning urban transit infrastructure interventions, require vehicle-category-specific origin-destination (OD) data. Existing data sources are imperfect: sparse tollbooth sensors provide accurate vehicle counts by category, while extensive mobility data from cellular network activity captures aggregated crowd movement, but lack modal disaggregation and have systematic biases. This study develops a machine learning framework to correct and disaggregate cellular network data using sparse tollbooth counts as ground truth. The model uses temporal and spatial features to learn the complex relationship between aggregated mobility data and vehicular data. The framework infers destinations from transit routes and implements routing logic to distribute corrected flows between OD pairs. This approach is applied to a bus depot expansion in Trondheim, Norway, generating hourly OD matrices by vehicle length category. The results show how limited but accurate sensor measurements can correct extensive but aggregated mobility data to produce grounded estimates of background vehicular traffic flows. These macro-scale estimates can be refined for micro-scale analysis at desired locations. The framework provides a generalisable approach for generating origin-destination data from cellular network data. This enables downstream tasks, like detailed traffic simulations for infrastructure planning in data-scarce contexts, supporting urban planners in making informed decisions.
• Abstract（参考訳）: 都市交通インフラの介入計画に不可欠な交通シミュレーションは、車両カテゴリー固有の原産地(OD)データを必要とする。 Sparse tollboothセンサーは、カテゴリーごとの正確な車両数を提供し、セルラーネットワークのアクティビティからの広範な移動データは、集約された群衆の動きをキャプチャするが、モダベーションは欠如しており、体系的な偏見を持っている。 本研究では,スパース・トールボース数を用いてセルラーネットワークデータを正解する機械学習フレームワークを開発した。 このモデルは時間的・空間的な特徴を用いて、集約された移動データと車両データの間の複雑な関係を学習する。 このフレームワークは、トランジットルートからの宛先を推論し、ODペア間で修正フローを分配するルーティングロジックを実装する。 このアプローチはノルウェーのトロンドハイム(Trondheim)にあるバス基地の拡張に適用され、車両長のカテゴリーによって時間毎のOD行列を生成する。 以上の結果から,狭義の高精度なセンサ計測が広範だが集約されたモビリティデータを補正し,背景車両の交通流の基底推定を行うことができた。 これらのマクロスケール推定は、所望の場所でのマイクロスケール解析のために洗練することができる。 このフレームワークは、セルラーネットワークデータから起点決定データを生成するための一般的なアプローチを提供する。 これにより、データスカースコンテキストにおけるインフラストラクチャ計画のための詳細なトラフィックシミュレーションのような下流タスクが可能になり、都市プランナーが情報的な意思決定を行うのをサポートする。

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)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• Tel2Veh: Fusion of Telecom Data and Vehicle Flow to Predict Camera-Free Traffic via a Spatio-Temporal Framework [26.92971702938603]
  特徴を抽出し,その特徴をグラフニューラルネットワーク(GNN)ベースの融合と統合し,差分を識別するフレームワークを提案する。 この研究は、輸送における通信データの利用を促進し、通信とビジョンベースのデータの融合を開拓し、交通管理のためのソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-05T06:37:14Z)
• Traffic estimation in unobserved network locations using data-driven macroscopic models [2.3543188414616534]
  本稿では,自動交通カウンタとプローブ車両から収集したマクロモデルとマルチソースデータを利用して,これらの測定が不可能なリンクにおいて,交通流と走行時間を正確に推定する。 MaTEはマクロフロー理論に基礎を置いているため、全てのパラメータと変数は解釈可能である。 合成データを用いた実験により, サンプル外リンクの走行時間と交通流を正確に推定できることがわかった。
  論文  参考訳（メタデータ） (2024-01-30T15:21:50Z)
• MA2GCN: Multi Adjacency relationship Attention Graph Convolutional Networks for Traffic Prediction using Trajectory data [1.147374308875151]
  本稿では,新しい交通渋滞予測モデルを提案する。マルチアジャシエンス関係アテンショングラフ畳み込みネットワーク(MA2GCN)。 車両軌跡データをグリッド形式でグラフ構造化データに変換し、異なるグリッド間の移動量に基づいて車両の進入・退避行列を提案した。 複数のベースラインと比較すると,上海タクシーのGPSトラジェクトリ・データセットで最高の性能を示した。
  論文  参考訳（メタデータ） (2024-01-16T14:22:44Z)
• Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank [15.123457772023238]
  交通パターンバンク(TPB)を用いた都市間交通予測フレームワークを提案する。 TPBは、訓練済みのトラフィックパッチエンコーダを使用して、データ豊富な都市からの生のトラフィックデータを高次元空間に投影する。 隣接行列は、下流の時空間モデルで将来のトラフィックを予測するために構成される。
  論文  参考訳（メタデータ） (2023-08-17T13:29:57Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• 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。