論文の概要: RiskTraf: Risk-Extrapolated Residual Learning for Multi-Variate Traffic Flow Prediction
- arxiv url: http://arxiv.org/abs/2608.20656v1
- Date: Fri, 21 Aug 2026 01:26:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.334413
- Title: RiskTraf: Risk-Extrapolated Residual Learning for Multi-Variate Traffic Flow Prediction
- Title（参考訳）: RiskTraf: 多変量交通流予測のためのリスク抽出残差学習
- Abstract要約: 我々は,PeMS検出器からの生流量,速度,占有率の測定値を保存するためのベンチマークスイートを開発した。
また,モデルに依存しない残留プラグインである textbfRiskTraf を提案する。
RiskTrafは、さまざまな予測バックボーンを継続的に改善し、デバイアスングや分散シフトアダプティブメソッドよりも優れています。
- 参考スコア（独自算出の注目度）: 8.558982321151184
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Traffic sensors commonly record flow, speed, and occupancy, but standard traffic flow forecasting benchmarks and models rarely exploit all three raw measurements reliably. Although speed and occupancy provide sensor-native traffic-state information beyond flow alone, existing releases often omit these variables, replace them with proxies, or contain logically inconsistent records. Moreover, direct empirical risk minimization over three-variable inputs may exploit regime-dependent shortcuts, as the relationships among flow, speed, and occupancy vary substantially between free-flow and congested states. We introduce \textbf{PEMSB-3V}, a public benchmark suite that preserves raw flow, speed, and occupancy measurements from PeMS detectors for flow prediction. We also propose \textbf{RiskTraf}, a model-agnostic risk-extrapolated residual plug-in. For each trained spatio-temporal backbone, RiskTraf freezes the selected checkpoint and learns a lightweight zero-start residual head from historical speed and occupancy. The residual head constructs ordered traffic-risk environments and optimizes horizon-wise flow corrections with a risk extrapolation objective, thereby mitigating regime-specific shortcut correlations without modifying the backbone. Extensive experiments demonstrate that RiskTraf consistently improves diverse forecasting backbones and outperforms debiasing and distribution-shift adaptation methods. Our code and benchmark are available at https://github.com/Guangyu4/RiskTraf.
- Abstract（参考訳）: 交通センサは通常、流量、速度、占有率を記録するが、標準的な交通流予測ベンチマークやモデルは、3つの生測値全てを確実に活用することは滅多にない。
速度と占有性は、フロー以外のセンサネイティブなトラフィック状態情報を提供するが、既存のリリースでは、これらの変数を省略したり、プロキシに置き換えたり、論理的に一貫性のないレコードを含むことが多い。
さらに,3変数入力に対する直接的経験的リスク最小化は,フロー,速度,占有率の関係が,自由流と密集状態の間で大きく異なるため,状態依存のショートカットを利用する可能性がある。
本稿では,PeMS検出器からの生流量,速度,占有率の測定値を保存するためのベンチマークスイートであるtextbf{PEMSB-3V}を紹介する。
また,モデルに依存しない残差プラグインである‘textbf{RiskTraf} も提案する。
トレーニングされた時空間バックボーンごとに、R RiskTrafは選択したチェックポイントを凍結し、履歴速度と占有率から軽量のゼロスタート残差ヘッドを学習する。
残余ヘッドは、順序付けられた交通リスク環境を構築し、リスク外挿目標を用いて水平方向の流補正を最適化し、バックボーンを変更することなく、構造特異的なショートカット相関を緩和する。
広範囲にわたる実験により、RassTrafは多様な予測バックボーンを継続的に改善し、デバイアスや分布シフト適応法より優れています。
私たちのコードとベンチマークはhttps://github.com/Guangyu4/RiskTraf.orgで公開されています。
関連論文リスト
- RiskFlow: Fast and Faithful Safety-Critical Traffic Scenario Generation [17.00557757061364]
RiskFlowはクローズドループ安全クリティカルなマルチエージェントトラフィック生成フレームワークである。
将来の軌道生成を作用空間の輸送として定式化する。
競争力のある安全クリティカルな生成能力を維持しながら、リアリズムを継続的に改善する。
論文 参考訳（メタデータ） (2026-06-04T17:28:42Z) - Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。
平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。
球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
論文 参考訳（メタデータ） (2026-03-11T12:41:46Z) - Streaming Real-Time Trajectory Prediction Using Endpoint-Aware Modeling [54.94692733670454]
近隣の交通機関の将来の軌道は、自動運転車の経路計画と意思決定に大きな影響を与えている。
本稿では,軽量かつ高精度なストリーミングベース軌道予測手法を提案する。
当社のアプローチは推論遅延を大幅に低減し、現実のデプロイメントに適しています。
論文 参考訳（メタデータ） (2026-03-02T13:44:23Z) - Learning Minimally-Congested Drive Times from Sparse Open Networks: A Lightweight RF-Based Estimator for Urban Roadway Operations [0.0]
本稿では,最小渋滞車走行時間に対する軽量な推定器を開発した。
オープンなロードネットワークデータ、速度制約、スパース制御/ターン機能をランダムなフォレストフレームワークに統合する。
大都市圏でのポイント・ツー・ポイントの忠実さを保ち、資源の要求を減らし、防御可能な性能推定を供給している。
論文 参考訳（メタデータ） (2026-01-04T09:54:44Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - How Much Is Too Much? Adaptive, Context-Aware Risk Detection in Naturalistic Driving [0.6299766708197883]
ラベルやモデルを時間とともに、ドライバ間で適応する統合されたコンテキスト対応フレームワークを提案する。
このフレームワークは、速度重み付けされたヘッドウェイと厳しい運転イベントの2つの安全指標と、ランダムフォレスト、XGBoost、ディープニューラルネットワーク(DNN)の3つのモデルを用いてテストされている。
全体として、このフレームワークは、リアルタイムの安全フィードバックを強化し、インテリジェントな交通システムにおけるドライバー中心の介入をサポートする、適応的でコンテキスト対応のリスク検出を約束している。
論文 参考訳（メタデータ） (2025-07-26T16:24:25Z) - 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) - Geometry-Aware Instrumental Variable Regression [56.16884466478886]
本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。
本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
論文 参考訳（メタデータ） (2024-05-19T17:49:33Z) - 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) - Accurate non-stationary short-term traffic flow prediction method [0.0]
本稿では,Long Short-Term Memory (LSTM) に基づく,短時間のトラフィックフローを正確に予測できる手法を提案する。
提案手法は, 極端外れ値, 遅延効果, トレンド変化応答に対して, 優れた性能を有する他の最先端手法に対して良好に動作する。
論文 参考訳（メタデータ） (2022-05-01T17:11:34Z) - GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
光フロー推定学習のためのGMFlowフレームワークを提案する。
機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。
我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
論文 参考訳（メタデータ） (2021-11-26T18:59:56Z)
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。