論文の概要: From XXLTraffic to EvoXXLTraffic: Scaling Traffic Forecasting to Sensor-Evolving Networks

• arxiv url: http://arxiv.org/abs/2605.29768v1
• Date: Thu, 28 May 2026 11:13:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 05:02:24.578953
• Title: From XXLTraffic to EvoXXLTraffic: Scaling Traffic Forecasting to Sensor-Evolving Networks
• Title（参考訳）: XXLTrafficからEvoXXLTrafficへ:トラフィック予測のスケーリングからセンサ進化ネットワークへ
• Authors: Du Yin, Hao Xue, Arian Prabowo, Shuang Ao, Flora Salim,
• Abstract要約: 既存の交通予測ベンチマークでは、固定センサーが設定されているが、実際の道路センサネットワークは、道路ネットワークが年々増加するにつれて継続的に成長する。 カリフォルニアのPeMSとTransport for NSWデータの27年間にわたるXXLTrafficデータセットファミリを紹介した。 EvoXXLTrafficは、年1回のアクティブセンサー、年1回のトラフィックフロー、年1回のグラフスナップショットを公開するセンサー進化型再編成です。
• 参考スコア（独自算出の注目度）: 4.468556225065339
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing traffic forecasting benchmarks assume a fixed sensor set, but real road-sensor networks grow continuously as the road network changes year by year. We introduce the XXLTraffic dataset family, which spans up to 27 years of California PeMS and Transport for NSW data. The fixed-sensor subsets of XXLTraffic support extremely long forecasting with multi-year gaps and standard hourly / daily long-horizon forecasting. We extend it to EvoXXLTraffic, a sensor-evolving reorganization that exposes per-year active sensors, yearly traffic-flow matrices, and yearly graph snapshots across nine PeMS districts, with growth ratios ranging from +305% to over +10,000%. We define a yearly streaming forecasting protocol on EvoXXLTraffic in which each calendar year is a continual task, and benchmark a wide range of representative baselines drawn from static spatio-temporal GNNs, naïve online schemes, evolving-graph continual methods, and retrieval / test-time methods. We find that our ultra-large evolutionary dataset better reflects the real world, and many state-of-the-art (SOTA) results no longer work. Our dataset complements existing benchmarks by enabling more realistic forecasting under ultra-long evolutionary road networks.
• Abstract（参考訳）: 既存の交通予測ベンチマークでは、固定センサーが設定されているが、実際の道路センサネットワークは、道路ネットワークが年々変化するにつれて継続的に成長する。 カリフォルニアのPeMSとTransport for NSWデータの27年間にわたるXXLTrafficデータセットファミリを紹介した。 XXLTraffic の固定センササブセットは、複数年のギャップと標準時/日毎のロングホライズン予測を伴う非常に長い予測をサポートする。 EvoXXLTrafficは、年1回のアクティブセンサー、年1回のトラフィックフロー行列、年9回のグラフスナップショットを公開し、成長率は+305%から+10,000%以上である。 我々は,EvoXXLTraffic上で,各カレンダー年を連続タスクとする年次ストリーミング予測プロトコルを定義し,静的時空間GNN,ナビブオンラインスキーム,進化グラフ連続法,検索/テストタイム法から引き出された幅広い代表ベースラインをベンチマークする。 我々の超大規模進化データセットは現実世界を反映しており、多くのSOTA(State-of-the-art)はもはや機能しない。 我々のデータセットは、超長い進化的道路網の下でより現実的な予測を可能にすることで、既存のベンチマークを補完する。

関連論文リスト

• INSPIRE-GNN: Intelligent Sensor Placement to Improve Sparse Bicycling Network Prediction via Reinforcement Learning Boosted Graph Neural Networks [51.76364085699241]
  INSPIRE-GNNは、センサ配置を最適化し、データスパース環境でのリンクレベルの自転車体積推定を改善するために設計された、新しい強化学習型ハイブリッドグラフニューラルネットワーク(GNN)フレームワークである。 我々のフレームワークは,Mean Squared Error(MSE),Root Mean Squared Error(RMSE),Mean Absolute Error(MAE)など,従来のセンサ配置法よりも優れていた。 InSPIRE-GNNの自転車容積推定性能における標準機械学習モデルとディープラーニングモデルとのベンチマークを行い,その有効性を実証した。
  論文  参考訳（メタデータ） (2025-07-31T20:00:35Z)
• Learning Traffic Anomalies from Generative Models on Real-Time Observations [49.1574468325115]
  トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。 スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。 その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
  論文  参考訳（メタデータ） (2025-02-03T14:23:23Z)
• Spatio-Temporal Partial Sensing Forecast for Long-term Traffic [10.596535591399274]
  交通予測は、選択した場所に設置されたセンサによる最近の計測を使用して、将来の道路交通を予測する。 本稿では,一部の地域でのみセンサが利用できることを前提として,長期交通量の部分的検知予測に焦点をあてる。 トラフィック予測のためのS-temporal-Long-term partial Forecast(SLPF)を提案する。
  論文  参考訳（メタデータ） (2024-08-02T21:22:22Z)
• XXLTraffic: Expanding and Extremely Long Traffic forecasting beyond test adaptation [3.7509821052818118]
  XXLTrafficは、ロサンゼルス、アメリカ、オーストラリア、ニューサウスウェールズ州で最長のタイムパンを持つ、利用可能な公共交通データセットである。 我々のデータセットは、既存の時間的データ資源を補完し、この領域における新しい研究の方向性につながる。
  論文  参考訳（メタデータ） (2024-06-18T15:06:22Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• Traffic4cast at NeurIPS 2021 -- Temporal and Spatial Few-Shot Transfer Learning in Gridded Geo-Spatial Processes [61.16854022482186]
  NeurIPS 2019と2020のIARAI Traffic4castコンペティションでは、ニューラルネットワークが将来の交通条件を1時間以内に予測することに成功した。 U-Netsは、この複雑な現実世界の地理空間的プロセスにおいて、関連する特徴を抽出する能力を実証し、勝利したアーキテクチャであることが証明された。 コンペティションは2年間で10都市をカバーし、1012以上のGPSプローブデータから収集したデータを提供する。
  論文  参考訳（メタデータ） (2022-03-31T14:40:01Z)
• 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)
• LTN: Long-Term Network for Long-Term Motion Prediction [0.0]
  長期ネットワーク(LTN)と呼ばれる長期軌道予測のための2段階フレームワークを提案する。 まず,条件付き変分オートエンコーダ(CVAE)を用いて提案したトラジェクトリの集合を生成し,それらをバイナリラベルで分類し,最も高いスコアでトラジェクトリを出力する。 その結果,提案手法は,長期軌道予測における複数の最先端手法よりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2020-10-15T17:59:09Z)

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。