論文の概要: Network-Wide Freeway Speed Nowcasting and Forecasting from Sparse Fixed Sensors with a Probe-Supervised Graph Convolutional Recurrent Network

• arxiv url: http://arxiv.org/abs/2610.22630v1
• Date: Thu, 15 Oct 2026 20:35:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.66284
• Title: Network-Wide Freeway Speed Nowcasting and Forecasting from Sparse Fixed Sensors with a Probe-Supervised Graph Convolutional Recurrent Network
• Title（参考訳）: グラフ畳み込みリカレントネットワークを用いたスパース固定型センサのネットワーク側フリーウェイ高速化と予測
• Abstract要約: 交通機関は、ネットワークのすべてのリンクで現在および近未来の速度を必要とするが、その固定センサーはその一部に過ぎない。 本稿では,過去の速度グラフからずれを予測できるグラフリカレントネットワークGCRN+を提案する。 ネットワークサイズと線形にスケールし、CPU上でトレーニングする。
• 参考スコア（独自算出の注目度）: 6.291758473287807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic agencies need current and near-future speeds on every link of their network, but their fixed sensors cover only part of it. We study joint nowcasting and next-hour forecasting of hourly speeds on all 4{,}127 directional freeway links of the Dallas--Fort Worth region from sensors on 643 links (15.6%). Historical probe-vehicle data supervise every link in training; only sensor readings are used at inference. We call this setting probe-supervised sparse sensing. We propose GCRN+, a graph convolutional recurrent network that predicts deviations from a historical speed profile. It combines a parameter-free, direction-aware kernel interpolation of sensor anomalies, used as input features and as an output baseline, with a diffusion-convolutional GRU on the directed road graph, a low-rank adaptive graph and learnable link embeddings. It scales linearly with network size and trains on a CPU. Sensor readings are emulated from probe speeds, which isolates spatio-temporal inference from detector calibration. On four held-out test days, GCRN+ attains an RMSE of 2.21~mph for the current hour and 2.39~mph for the next hour on unsensored links, against 3.23~mph for the historical average. The best baselines that use the same interpolation features reach 2.53 and 2.75~mph. Adapted recent models without these features (STID, STAEformer, ImputeFormer, MoGERNN) reach at best 2.54 and 2.53~mph; this comparison is between complete pipelines rather than architectures. GCRN+ is best in every distance band except links not connected to any sensor through the road graph. Ablations within one recurrent backbone attribute most of the gain to the link embeddings and the adaptive graph, which can be trained because probe labels exist for every link. For congestion detection on unsensored links, recall rises from 77\% (historical average) and 86% (best competitor) to 89% at aprecision of 0.94.
• Abstract（参考訳）: 交通機関は、ネットワークのすべてのリンクで現在および近未来の速度を必要とするが、その固定センサーはその一部しかカバーしていない。 ダラス-フォートワース地域の4{,}127方向の高速道路リンクについて,643リンクのセンサ(15.6%)から,共同放送と時間速予測について検討した。 歴史的プローブ車両データは、トレーニングにおけるすべてのリンクを監督し、推論で使用されるのはセンサー読み取りのみである。 我々はこの設定プローブ監視スパースセンシングと呼んでいる。 本稿では,過去の速度プロファイルからずれを予測するグラフ畳み込みリカレントネットワークGCRN+を提案する。 入力特徴および出力ベースラインとして使用されるセンサ異常のパラメータフリーで方向対応のカーネル補間と、有向道路グラフ上の拡散畳み込みGRU、低ランク適応グラフ、学習可能なリンク埋め込みを組み合わせる。 ネットワークサイズと線形にスケールし、CPU上でトレーニングする。 センサ読み取りはプローブ速度からエミュレートされ、検出器の校正から時空間推定を分離する。 4日間の持続試験では、GCRN+は現在の時間で2.21〜mph、次の時間で2.39〜mph、歴史的な平均で3.23〜mphに達する。 同じ補間機能を使用する最良のベースラインは2.53と2.75〜mphに達する。 これらの機能を持たない最近のモデル(STID、STAEformer、ImputeFormer、MoGERNN)は最高2.54と2.53〜mphに達する。 GCRN+は、道路グラフを通してどのセンサにも接続されていないリンクを除いて、あらゆる距離帯で最良である。 1つのリカレントバックボーン内のアブレーションは、リンク埋め込みとアダプティブグラフの利益のほとんどを占めており、これは全てのリンクにプローブラベルが存在するため訓練することができる。 センサレスリンク上での混雑検知では、リコールは77\%(歴史平均)と86%(競争平均)から89%に上昇し、精度は0.94である。

関連論文リスト

• Real-Time Traffic Density Estimation: A Hybrid Computer Vision and Predictive Machine Learning Pipeline [0.0]
  本稿では,車両検出と追跡を空間論理層と組み合わせた2段階パイプラインと時間的推定器を提案する。 単一のNVIDIA GPUを用いて,5,716個の注釈付きフレームのデータセット上で,6つのファミリーから10種類の検出器をベンチマークした。 29,243窓の時間的評価では, GRUは0.858, LSTMは0.856, TCNは0.840となる。
  論文  参考訳（メタデータ） (2026-10-09T21:07:44Z)
• OctoSense: Self-Supervised Learning for Multimodal Robot Perception [50.20346079739425]
  ステレオカメラとイベントカメラ、LiDAR、サーマルカメラ、慣性測定ユニット、プロプリセプション(車からのCANバスデータ、四足歩行ロボットの関節角度)を備えたオープンソースのセンサプラットフォームであるOctoSenseについて述べる。 匿名のOctoSenseデータセットには、59時間の時間同期駆動データが含まれている。 このような実世界のデータを用いて,センサの表現,周波数,レイテンシ,ノイズの異なるマルチモーダル自己教師型学習を実演する。
  論文  参考訳（メタデータ） (2026-06-25T17:30:49Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• 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)
• A Sensor Fusion-based GNSS Spoofing Attack Detection Framework for Autonomous Vehicles [4.947150829838588]
  本稿では,センサフュージョンをベースとしたGNSS(Global Navigation Satellite System)スプーフィング攻撃検出フレームワークを提案する。 複数の低コストの車載センサーからのデータを融合し、リカレントニューラルネットワークモデルに入力する。 我々は,k-Nearest Neighbors (k-NN) と Dynamic Time Warping (DTW) のアルゴリズムを組み合わせて,左旋回と右旋回を検出・分類した。
  論文  参考訳（メタデータ） (2021-08-19T11:59:51Z)
• Res-GCNN: A Lightweight Residual Graph Convolutional Neural Networks for Human Trajectory Forecasting [0.0]
  ペデストリアンの対話的挙動をモデル化した残差グラフ畳み込みニューラルネットワーク(Res-GCNN)を提案する。 その結果、最終変位誤差(FDE)が0.65mに達すると、アートの状態を13.3%改善することが示された。 コードはGitHubで公開されている。
  論文  参考訳（メタデータ） (2020-11-18T11:18:16Z)
• CurbScan: Curb Detection and Tracking Using Multi-Sensor Fusion [0.8722958995761769]
  カーブ検出と追跡は、車両のローカライゼーションと経路計画に有用である。 本稿では,複数のセンサからデータを融合して縁石を検出・追跡する手法を提案する。 提案アルゴリズムは,KITTIデータセットとデータセットでそれぞれ4.5～22m,0～14m以内の精度を90%以上維持する。
  論文  参考訳（メタデータ） (2020-10-09T22:48:20Z)
• R-FCN: Object Detection via Region-based Fully Convolutional Networks [87.62557357527861]
  我々は,高精度かつ効率的な物体検出のための領域ベースの完全畳み込みネットワークを提案する。 我々の結果は、Faster R-CNNよりも2.5-20倍高速で、1画像あたり170msのテストタイムで達成される。
  論文  参考訳（メタデータ） (2016-05-20T15:50:11Z)

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。