論文の概要: Spatio-temporally complementary feature propagation on graphs for longitudinal AADT estimation

• arxiv url: http://arxiv.org/abs/2609.29906v1
• Date: Thu, 24 Sep 2026 14:47:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.024461
• Title: Spatio-temporally complementary feature propagation on graphs for longitudinal AADT estimation
• Title（参考訳）: 縦断的AADT推定のためのグラフ上の時空間的相補的特徴伝搬
• Abstract要約: 交通計画やインフラ整備には,年間平均日当たり交通量(AADT)の推定が不可欠である。 本研究では,2つのデータソースの強みを生かした新しい高時間補完機能フレームワークを提案する。 この枠組みは、理論モデルと経験的基底真理を効果的に一致させ、正規化された平均絶対誤差を10%以下にする。
• 参考スコア（独自算出の注目度）: 7.982704385959317
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The estimation of Annual Average Daily Traffic (AADT) is vital for transportation planning and infrastructure maintenance, yet obtaining accurate values for an entire urban network across multiple years remains challenging due to the high cost and spatial sparsity of physical sensors. This research proposes a novel spatio-temporally complementary feature propagation framework that leverages the strengths of two distinct data sources: spatially sparse but temporally dense loop detector data, and a spatially complete but temporally sparse macroscopic transportation model. The methodology highlights a feature propagation algorithm on directed graphs, formulated as a Poisson energy minimization considering residues. The standard binary adjacency matrix is replaced with flow ratio matrices to capture real-world vehicle turn ratios at intersections. Validated in the city of Zurich, the algorithm demonstrates high computational efficiency, achieving convergence within minutes. Results indicate that the framework effectively reconciles theoretical models with empirical ground truths, yielding a normalized mean absolute error below $10\%$. This scalable approach provides a feasible solution for spatio-temporal network-wide AADT estimation through combining real-world limited sensor coverage and traffic models.
• Abstract（参考訳）: 交通計画やインフラ整備には年平均日当たり交通量(AADT)の推定が不可欠であるが, 物理的センサの高コスト・空間空間性のため, 数年にわたって都市ネットワーク全体の正確な評価は困難である。 本研究では,空間的にスパースだが時間的に密度の高いループ検出器データと,空間的に完全だが時間的にスパースなマクロ輸送モデルという,2つの異なるデータソースの強みを利用する,時空間補完的特徴伝搬フレームワークを提案する。 この手法は、残基を考慮したポアソンエネルギー最小化として定式化された有向グラフ上の特徴伝搬アルゴリズムを強調する。 標準的なバイナリ隣接行列をフロー比行列に置き換えて、交差点における実世界の車両の旋回比をキャプチャする。 チューリッヒ市で検証されたこのアルゴリズムは高い計算効率を示し、数分で収束する。 その結果, 理論モデルと経験的基底真理を効果的に照合し, 正規化平均絶対誤差が10.5%以下であることが示唆された。 このスケーラブルなアプローチは、現実世界の限られたセンサーカバレッジとトラフィックモデルを組み合わせることで、時空間ネットワーク全体のAADT推定を可能にする。

関連論文リスト

• PatchSTG: Scalable Spatiotemporal Graph Transformers for Traffic Forecasting on Irregular Sensor Networks [4.61832722799375]
  本稿では,不規則なセンサネットワーク上での効率的な予測を目的としたパッチベースのグラフ変換器を提案する。 提案したPatchSTGを,ロードアイランド州の実世界のデータと大規模データセットに基づいて評価した。
  論文  参考訳（メタデータ） (2026-06-02T09:53:28Z)
• A Joint Topology-Data Fusion Graph Network for Robust Traffic Speed Prediction with Data Anomalism [12.43932698231744]
  本稿では,ネットワークレベルのトラフィック速度予測のための革新的なフレームワークであるGraph Fusion Enhanced Network (GFEN)を提案する。 GFENは、トレーニング可能な手法を用いて、データ分布とネットワークトポロジの両方から空間時間相関を抽出する。 実験により、GFENは最先端の手法を約6.3%超え、予測精度と収束速度は最近のハイブリッドモデルの約2倍速くなることが示された。
  論文  参考訳（メタデータ） (2025-06-30T06:33:47Z)
• Forecasting at Full Spectrum: Holistic Multi-Granular Traffic Modeling under High-Throughput Inference Regimes [2.3759432635713895]
  本稿では,新しい交通予測モデルを用いた効率的な霧分散推論システムであるMultiGranGranSTG-Fogを提案する。 提案アルゴリズムは,生成した動的トラヒックグラフ上でのGA-Fog機能融合を利用して,トラフィックのダイナミクスをフルキャプチャする。 実世界のデータセットに対する大規模な実験は、提案手法が選択されたGCNベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-02T13:55:22Z)
• Efficient and Robust Freeway Traffic Speed Estimation under Oblique Grid using Vehicle Trajectory Data [19.01488741469791]
  斜め交通速度を正確に推定するための効率的でロバストな低ランクモデルを提案する。 提案手法は,TSEシナリオにおけるルート平均角誤差(RMSE)を最大12%改善する。 最先端のSOTA(State-of-the-art)メソッドよりも20倍以上高速に動作します。
  論文  参考訳（メタデータ） (2024-11-06T15:13:40Z)
• 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)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Spatial-Temporal Generative AI for Traffic Flow Estimation with Sparse Data of Connected Vehicles [48.32593099620544]
  交通流推定(TFE)はインテリジェント交通システムにおいて重要である。 本稿では,スパース時間生成人工知能(GAI)フレームワークを活用した,新規で費用対効果の高いTFEフレームワークを提案する。 このフレームワーク内では、条件エンコーダは初期TFE結果の時空間相関をマイニングする。
  論文  参考訳（メタデータ） (2024-07-10T20:26:04Z)
• 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)
• 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)
• TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network for Traffic Flow Forecasting [41.87633457352356]
  本稿では,ネットワークのグローバル性と局所性に着目したニューラルネットワークモデルを提案する。 2つの実世界のデータセットの実験により、このモデルが交通データの空間的時間的相関を精査できることが示されている。
  論文  参考訳（メタデータ） (2020-11-30T09:21:43Z)

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。