論文の概要: Simulation-Driven Vehicular Traffic Data Augmentation: Extending Sensor Coverage Through Virtual Sensing
- arxiv url: http://arxiv.org/abs/2608.13993v1
- Date: Fri, 14 Aug 2026 06:19:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.294744
- Title: Simulation-Driven Vehicular Traffic Data Augmentation: Extending Sensor Coverage Through Virtual Sensing
- Title（参考訳）: シミュレーション駆動型車両交通データ拡張:仮想センシングによるセンサカバーの拡張
- Abstract要約: 都市交通管理は、デプロイメントコストとプライバシ規制によって空間範囲が制限されるセンサーネットワークに依存している。
このようなスパースデータに基づいてトレーニングされた機械学習モデルは、監視されていない場所を一般化することはできない。
本稿では,拡張トラフィック数データセットを生成することにより,この問題に対処するシミュレーションベースの手法を提案する。
- 参考スコア（独自算出の注目度）: 1.237454174824584
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Urban traffic management relies on sensor networks whose spatial coverage is limited by deployment costs and privacy regulations. Machine learning models trained on such sparse data cannot generalize to unmonitored locations and must be retrained whenever the sensor infrastructure changes. We propose a simulation-based methodology that addresses this problem by generating augmented traffic count datasets in which each physical sensor is replaced by a virtual sensor placed at a surrogate location in the road network. Virtual sensors are selected by a graph-search heuristic that jointly maximises vehicle-flow continuity and traffic-metric similarity between the original and surrogate locations, while enforcing a minimum spatial displacement to ensure diversity of observed traffic conditions. We validate the method on two Belgian cities: Brussels, using a calibrated model, and Namur, using synthetic models. The augmented datasets preserve the bimodal daily demand profile and the dynamics of traffic at the observed locations.
- Abstract（参考訳）: 都市交通管理は、デプロイメントコストとプライバシ規制によって空間範囲が制限されるセンサーネットワークに依存している。
このようなスパースデータに基づいてトレーニングされた機械学習モデルは、監視されていない場所に一般化できず、センサーインフラストラクチャが変更されるたびに再トレーニングされなければならない。
本稿では,道路ネットワーク内の代理地点に配置された仮想センサによって,各物理センサを置き換えた拡張トラフィックカウントデータセットを生成することにより,この問題に対処するシミュレーションベースの手法を提案する。
仮想センサは、観測された交通条件の多様性を確保するために最小の空間変位を強制しながら、車両フローの連続性と、元の位置とサロゲート位置の交通量的類似性を共同で最大化するグラフ探索ヒューリスティックによって選択される。
この手法をベルギーの2つの都市(ブリュッセル、キャリブレーションモデル)で検証し、ナムールを合成モデルで検証した。
拡張データセットは、バイモーダルな日々の需要プロファイルと、観測された場所におけるトラフィックのダイナミックスを保存する。
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) - Scalable Dynamic Origin-Destination Demand Estimation Enhanced by High-Resolution Satellite Imagery Data [1.735650011442274]
本研究では,マルチクラスメソスコピックネットワークモデルにおける動的起因決定需要推定(DODE)のための新しい枠組みを提案する。
ローカルセンサからの従来の交通データとともに高解像度衛星画像を利用する。
その結果,衛星から得られる密度で従来のデータを補うことで推定性能が大幅に向上した。
論文 参考訳（メタデータ） (2025-06-25T06:47:06Z) - 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) - Calibration of Vehicular Traffic Simulation Models by Local Optimization [43.942239814508106]
トラフィックカウントデータを用いたシミュレーションモデルのキャリブレーションは、環境の複雑さ、データの欠如、トラフィックダイナミクスの不確実性のために困難である。
本稿では,シミュレーションに基づく新しい交通キャリブレーション手法を提案する。
ベルギーのブリュッセルで,実交通監視装置のデータを用いて提案手法の評価を行った。
論文 参考訳（メタデータ） (2025-02-17T09:17:01Z) - 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) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - Because Every Sensor Is Unique, so Is Every Pair: Handling Dynamicity in
Traffic Forecasting [32.354251863295424]
トラフィック予測は、サイバー物理インフラから価値を抽出するための重要なタスクである。
本稿では,まず実世界の交通データを解析し,各センサがユニークなダイナミック性を持つことを示す。
次に,空間グラフ変換器 (SGT) と呼ばれる新しいモジュールを提案する。
最後に,グラフ自己注意型ウェーブネット(G-SWaN)を,複雑で非線形な時間的トラフィックのダイナミクスに対処するために提案する。
論文 参考訳（メタデータ） (2023-02-20T12:57:31Z) - 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) - 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) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z)
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。