論文の概要: A Road-Conditioned Traffic Movie Prediction Network with Spatiotemporal and Structure-Consistent Learning

• arxiv url: http://arxiv.org/abs/2605.27884v1
• Date: Wed, 27 May 2026 03:07:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.703011
• Title: A Road-Conditioned Traffic Movie Prediction Network with Spatiotemporal and Structure-Consistent Learning
• Title（参考訳）: 時空間的, 構造的整合性学習を用いた道路交通映像予測ネットワーク
• Authors: Joshua Kofi Asamoah, Blessing Agyei Kyem, Armstrong Aboah,
• Abstract要約: 既存の交通映像予測手法ではフレームレベルの精度が向上しているが,画像再構成を中心に予測処理を行っているものも多い。 本研究では,交通映画予測をトポロジ誘導による将来状態生成として再構成する道路時空間ネットワークRCSNetを提案する。 RCSNetは、静的道路地図モデルから道路認識表現を抽出し、方向の交通特徴を局所構造と整列させ、時間的整合性を改善するために将来の交通地図を生成する。
• 参考スコア（独自算出の注目度）: 7.461918364557348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: City-wide traffic forecasting is important for congestion management, route guidance, and intelligent transportation systems, but accurate prediction remains challenging when future traffic must be generated as spatial maps over an entire urban network. Existing traffic movie prediction methods have improved frame-level accuracy, yet many still treat forecasting mainly as image reconstruction. This can produce traffic maps that are numerically close to the ground truth but weakly constrained by road layout, connectivity, travel direction, and congestion propagation, especially in cross-city settings where both traffic behavior and road structure change. To address this limitation, this study proposes RCSNet, a road-conditioned spatiotemporal network that reformulates traffic movie prediction as topology-guided future-state generation. RCSNet extracts road-aware representations from static road maps, models multi-horizon traffic dynamics from historical observations, aligns directional traffic features with local road structure, and progressively generates future traffic maps for improved temporal consistency. A structure-consistent learning objective further encourages predictions to remain accurate, road-aligned, and spatially stable. Experiments across multiple cities show that RCSNet improves both forecasting accuracy and structural consistency. In same-city forecasting on Berlin, Antwerp, and Moscow, RCSNet reduces average MAE, MSE, and RMSE by 11.5%, 10.0%, and 5.1%, respectively, compared with the closest baseline. In cross-city testing on unseen Chicago and Bangkok, it reduces RMSE by 10.6% and 10.5% without target-city fine-tuning. Additional horizon-wise, road-structure, explainability, statistical, and efficiency analyses show that RCSNet produces more accurate, transferable, road-aligned, and computationally efficient traffic forecasts.
• Abstract（参考訳）: 都市全体の交通予測は、渋滞管理、経路案内、インテリジェント交通システムにおいて重要であるが、都市全体の空間地図として将来の交通を創出する必要がある場合、正確な予測は依然として困難である。 既存の交通映像予測手法ではフレームレベルの精度が向上したが,画像再構成を中心に予測処理が進められている。 これは、特に交通行動と道路構造の両方が変化する都市横断環境において、地上の真実に数値的に近いが、道路レイアウト、接続性、走行方向、渋滞伝播によって弱く制約される交通地図を生成することができる。 この制限に対処するため,道路条件付き時空間ネットワークであるRCSNetを提案する。 RCSNetは、静的道路地図から道路認識表現を抽出し、歴史的観測からマルチ水平交通動態をモデル化し、方向交通特徴を局所道路構造と整合させ、時間的整合性を改善するために、将来的な交通地図を生成する。 構造整合学習の目的は、予測が正確で、道順で、空間的に安定していることをさらに奨励する。 複数の都市での実験では、RCSNetは予測精度と構造的一貫性の両方を改善している。 ベルリン、アントワープ、モスクワの同市の予測では、RCSNetは平均MAE、MSE、RMSEを最寄りのベースラインに比べて11.5%、10.0%、および5.1%削減している。 シカゴとバンコクの都市横断試験では、RMSEを目標都市微調整なしで10.6%、そして10.5%削減する。 さらなる地平線、道路構造、説明可能性、統計、効率分析により、RCSNetはより正確で、転送可能で、道路に沿っており、計算的に効率的な交通予測を生成することが示されている。

関連論文リスト

• 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)
• Informed along the road: roadway capacity driven graph convolution network for network-wide traffic prediction [4.233357765212044]
  本研究では,道路駆動グラフ畳み込みネットワーク(RCDGCN)モデルを導入し,静的キャパシティ特性を時間的設定に組み込んでネットワーク全体のトラフィック状態を予測する。 その結果, RCDGCN の精度は, ベースライン法よりも優れていた。 本研究は,交通システム管理にRCCGCNを用いることの可能性を示す。
  論文  参考訳（メタデータ） (2024-06-18T21:04:23Z)
• Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity Analysis [6.8775337739726226]
  本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。 本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
  論文  参考訳（メタデータ） (2023-08-20T14:31:55Z)
• Traffic-Twitter Transformer: A Nature Language Processing-joined Framework For Network-wide Traffic Forecasting [14.71745498591372]
  本研究では,公共利用者や交通機関の交通状況を予測するためのフレキシブルで包括的な枠組みを提案する。 まず,2つの時系列データ,トラフィック強度,およびTwitterデータ強度の相関性を評価するために,相関研究と線形回帰モデルを構築した。 次に、2つの時系列データをソーシャル対応フレームワークであるTraffic-Twitter Transformerに入力し、Nature Language表現を時系列レコードに統合し、長期トラフィック予測を行った。
  論文  参考訳（メタデータ） (2022-06-19T20:17:15Z)
• A Graph and Attentive Multi-Path Convolutional Network for Traffic Prediction [16.28015945020806]
  本稿では,将来的な交通状況を予測するために,グラフおよび注意深いマルチパス畳み込みネットワーク(GAMCN)モデルを提案する。 我々のモデルは交通条件に影響を与える空間的要因と時間的要因に焦点を当てている。 予測精度は,予測誤差が最大18.9%,予測効率が23.4%である。
  論文  参考訳（メタデータ） (2022-05-30T16:24:43Z)
• STCGAT: Spatial-temporal causal networks for complex urban road traffic flow prediction [12.223433627287605]
  交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。 既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。 本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-21T06:38:34Z)
• 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)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)
• 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。