論文の概要: Capacity-Aware Deep Learning for Generalizable Traffic Volume Estimation Across Links and Cities

• arxiv url: http://arxiv.org/abs/2607.24056v1
• Date: Mon, 27 Jul 2026 06:53:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.333782
• Title: Capacity-Aware Deep Learning for Generalizable Traffic Volume Estimation Across Links and Cities
• Title（参考訳）: リンクと都市間の一般化可能な交通量推定のための容量を考慮した深層学習
• Abstract要約: 本稿では,広く利用可能な領域データのみから時間単位のトラフィック量を推定するリンクレベル学習フレームワークを提案する。 教師付き局所マッピングはスパースセンサの測定から学習され、2つの一般化条件下で評価される。 空間的ロバスト性を高めるために,リンク固有の構造容量と時間単位のレジーム・アウェア利用率の積としてボリュームをモデル化するキャパシティ・アウェア・フォーミュレーションを導入する。
• 参考スコア（独自算出の注目度）: 3.787092080334906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network-wide traffic volume estimation typically relies on propagating measurements from fixed sensors, making performance highly dependent on sensor density and limiting deployment in sparsely instrumented networks. We propose a link-level learning framework that estimates hourly traffic volumes from widely available territorial data only, including probe speed profiles, road and topological descriptors, along with weather observations. A supervised local mapping is learned from sparse sensor measurements and evaluated under two generalization settings: intra-network (unseen links within the training network) and inter-network (unseen city). This formulation frames traffic volume estimation as a spatial out-of-distribution generalization problem under sparse supervision. To enhance spatial robustness, we introduce a capacity-aware formulation that models volume as the product of a link-specific structural capacity and an hourly regime-aware utilization ratio, embedding traffic-theoretic constraints directly into the learning process. Extensive experiments in both generalization settings demonstrate that the proposed structural constraints consistently outperform a state-of-the-art baseline under spatial distribution shift.
• Abstract（参考訳）: ネットワーク全体の交通量推定は、通常、固定されたセンサーからの測定を伝搬させることに依存し、センサー密度に大きく依存し、わずかに計測されたネットワークでの展開を制限する。 気象観測とともに,プローブ速度プロファイル,道路およびトポロジカルディスクリプタを含む,広く利用可能な領域データのみから,時間単位のトラフィック量を推定するリンクレベル学習フレームワークを提案する。 教師付き局所マッピングはスパースセンサ測定から学習し,ネットワーク内(トレーニングネットワーク内における見えないリンク)とネットワーク間(見えない都市)の2つの一般化条件下で評価する。 この定式化は、スパース監督下での空間アウトオブディストリビューション一般化問題として交通量推定を行う。 空間的ロバスト性を高めるため,リンク固有の構造容量と時間単位のレジーム・アウェア利用率の積としてボリュームをモデル化し,交通理論の制約を直接学習プロセスに埋め込むキャパシティ・アウェア・フォーミュレーションを導入する。 両一般化設定の広範な実験により、提案された構造的制約は、空間分布シフトの下で、最先端のベースラインを一貫して上回ることを示した。

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)
• Network-Wide Traffic Volume Estimation from Speed Profiles using a Spatio-Temporal Graph Neural Network with Directed Spatial Attention [6.298495506269846]
  本稿では,HDA-STGNN(Hybrid Directed-Attention Spatio-Temporal Graph Neural Network)を提案する。 提案手法は, 速度プロファイル, 静的道路特性, ネットワークトポロジを利用して, ネットワーク内の全道路区間の交通量を予測する。
  論文  参考訳（メタデータ） (2025-12-15T11:30:44Z)
• ON-Traffic: An Operator Learning Framework for Online Traffic Flow Estimation and Uncertainty Quantification from Lagrangian Sensors [0.0]
  この研究は、新しいディープ演算子であるOn-Trafficを導入し、トラフィック状態のオンライン推定に適した水平方向学習ベースのフレームワークを提案する。 本フレームワークは,不規則でスパースな入力データを処理し,時間シフトに適応し,精度の高い不確実性推定を行うことのできる,数値データとシミュレーションデータの両方で評価される。 その結果, 衝撃波や混雑伝播などの複雑な交通シナリオを捉えるとともに, 騒音やセンサの落下に対する堅牢性を維持していることがわかった。
  論文  参考訳（メタデータ） (2025-03-18T09:13:24Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• 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)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• Space Meets Time: Local Spacetime Neural Network For Traffic Flow Forecasting [11.495992519252585]
  このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。 交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。 提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
  論文  参考訳（メタデータ） (2021-09-11T09:04:35Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)

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。