Fugu-MT 論文翻訳(概要): CASTANET: Causality-Aware Spatio-Temporal Adversarial Network Using Traffic Incident Effects

論文の概要: CASTANET: Causality-Aware Spatio-Temporal Adversarial Network Using Traffic Incident Effects

arxiv url: http://arxiv.org/abs/2608.27942v1
Date: Fri, 28 Aug 2026 05:34:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-31 17:16:04.21232
Title: CASTANET: Causality-Aware Spatio-Temporal Adversarial Network Using Traffic Incident Effects
Title（参考訳）: CASTANET:交通インシデント効果を利用した因果認識時空間対向ネットワーク
Abstract要約: インシデント駆動の交通渋滞は,交通状況によっては発生頻度が極めて低く,特定の時間や場所で発生し,異種の影響が生じるため,予測が困難である。本稿では,時間グラフニューラルネットワークと因果処理効果推定を統合したCASTANETを提案する。実験の結果、CASTANETは最高のベースラインに比べてRMSEを4.0%減らし、インシデント条件で評価すると10.1%減らし、激しい混雑下で14.55%上昇した。
参考スコア（独自算出の注目度）: 14.744537316339175
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Predicting non-periodic traffic congestion caused by sudden incidents (e.g., accidents and road damage) is crucial for advanced intelligent transportation systems. However, incident-driven congestion is difficult to forecast because incidents are extremely sparse, occur at specific times and locations, and have heterogeneous impacts depending on the traffic context. While recent deep learning approaches have significantly improved periodic traffic forecasting, their performance on non-periodic congestion remains limited, partly because incident records are not explicitly incorporated and their occurrence is strongly biased in space and time. To address these challenges, we propose CASTANET, which integrates spatio-temporal graph neural networks and causal treatment effect estimation to utilize incident records while mitigating selection bias. Experiments on real-world traffic data and accident records from Tokyo, which we treat as incidents, show that CASTANET reduces RMSE by 4.0% overall compared to the best baseline and by 10.1% on incident-conditioned evaluation, with gains reaching 14.55% under severe congestion.
Abstract（参考訳）: 高度インテリジェント交通システムにおいては,突然の事故(事故,道路被害など)による非周期的な交通渋滞の予測が不可欠である。しかし, 交通状況によっては, 事故発生頻度が極めて低く, 特定の時間や場所で発生し, 異質な影響が生じるため, インシデント駆動による混雑の予測は困難である。近年の深層学習手法は, 周期的トラフィック予測を著しく改善しているが, 事故記録が明示的に組み込まれておらず, 空間や時間に偏りが強いこともあって, 非周期的混雑に対する性能は依然として限られている。これらの課題に対処するために、時空間グラフニューラルネットワークと因果処理効果推定を統合したCASTANETを提案し、選択バイアスを緩和しながらインシデントレコードを利用する。事故として扱う東京の現実の交通データと事故記録の実験から、CASTANETは、最高のベースラインに比べてRMSEを4.0%減らし、インシデント条件で評価すると10.1%減り、14.55%上昇した。

関連論文リスト

Incident-Guided Spatiotemporal Traffic Forecasting [10.651621507740503]
インシデントガイド付き時空間グラフニューラルネットワーク(I GSTGNN) 本稿では,インシデントガイド型Stemporal Graph Neural Network (I GSTGNN) という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） (2026-01-27T15:14:58Z)
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)
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)
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)
SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
論文参考訳（メタデータ） (2023-09-30T06:20:21Z)
A Comparative Study of Loss Functions: Traffic Predictions in Regular and Congestion Scenarios [0.0]
本稿では、重み解析と不均衡な分類問題から着想を得た種々の損失関数を探索し、この問題に対処する。平均絶対誤差(MAE)を最適化する場合,MAE-Focal Loss関数が最も有効であることがわかった。本研究は,混雑による急激な速度変化を予測する深層学習モデルの能力を高める。
論文参考訳（メタデータ） (2023-08-29T17:44:02Z)
DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文参考訳（メタデータ） (2023-06-13T05:58:57Z)
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)
Deep Representation of Imbalanced Spatio-temporal Traffic Flow Data for Traffic Accident Detection [0.3670422696827526]
本稿では,高速道路事故の自動検出のためのLong-Short Term Memory (LSTM) ネットワークを用いたループ検出データの深部表現について検討する。ミネソタ州ツインシティーズ・メトロの高速道路から収集された実事故およびループ検出データの実験は、LSTMネットワークを用いた交通流データの深部表現が18分以内で高速道路事故を検出する可能性を実証している。
論文参考訳（メタデータ） (2021-08-21T13:18:04Z)
Learning Incident Prediction Models Over Large Geographical Areas for Emergency Response Systems [0.7340017786387767]
本稿では,道路の地形,気象,歴史的事故,リアルタイム交通渋滞に関するデータを用いて,事故予測を支援するパイプラインについて述べる。実験結果から,本手法は現状の手法と比較して,現場での応答時間を著しく短縮できることがわかった。
論文参考訳（メタデータ） (2021-06-15T17:33:36Z)
A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文参考訳（メタデータ） (2021-02-12T18:17:12Z)

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。