Quantifying Urban Traffic Anomalies
AT&T Labs Research(AT&T实验室研究院);Bloomberg LP(彭博有限合伙企业)
检测和量化城市交通中的异常对于短期内的实时警报或重新路由以及长期的城市规划至关重要。我们描述了一个两步框架,以一种强大,快速,在线和无监督的方式实现这两个目标。首先,我们采用稳定的主成分追踪来检测每个路段的异常。这使我们能够在太空中及早准确地查明交通异常。然后,我们组的道路水平异常跨越时间和空间到有意义的异常事件,使用一个简单的图形扩展过程。城市规划者可以很容易地对这些事件进行聚类、可视化和分析。我们证明了我们的系统使用7个星期的匿名和聚合的蜂窝定位数据在达拉斯-沃斯堡的有效性。我们建议城市规划者和政策制定者利用我们的方法进行知情的变化的潜在机会。这些应用包括响应异常高流量的实时流量重新路由,或确定高影响力基础设施项目的候选人。
2016-09-30 cs.LG
Spatiotemporal Tensor Completion for Improved Urban Traffic Imputation
College of Engineering, Qatar University(卡塔尔大学工程学院)
有效的城市交通管理对于任何智慧城市计划都很重要。因此,传感交通数据的质量至关重要。然而,与任何传感数据一样,城市交通数据也容易出现不完善的情况,从而导致测量数据缺失。本文主要研究区域间交通数据的补齐问题。我们将区域间流量建模为一个时空张量,该张量存在测量缺失的问题。为了恢复丢失的数据,我们提出了一个增强的CANDECOMP/PARAFAC(CP)完成的方法,考虑城市和时间方面的交通。为了获得城市特征,我们将研究区域划分为区域。然后,对于每个区域,我们计算城市特征向量的启发,从生物多样性,用于计算城市相似性矩阵。为了挖掘时间方面,我们首先进行熵分析,以确定最规则的时间序列。然后,我们进行联合傅立叶和相关分析,计算其周期性和构造的时间矩阵。城市和时间矩阵被送入一个修改后的CP完成目标函数。为了解决这个问题,我们提出了一个交替的最小二乘方法,操作的矢量化版本的输入。我们进行了全面的比较研究与两个评估方案。在第一个中,我们模拟随机缺失值。在第二种情况下,我们模拟给定区域和持续时间的缺失值。我们的研究结果表明,我们的方法提供了有效的恢复性能达到26%的改善相比,最先进的CP方法和35%相比,最先进的生成模型为基础的方法。
2021-03-12 cs.LG
Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank
Shanghai Jiao Tong University(上海交通大学);Ocean University of China(中国海洋大学)
针对数据稀缺城市少样本交通预测难题,提出基于交通模式库的跨城市预测框架,通过迁移富数据城市交通模式知识,结合元训练优化,显著提升预测性能。
2023-08-17 cs.LG
Traffic4cast 2020 -- Graph Ensemble Net and the Importance of Feature And Loss Function Design for Traffic Prediction
本文详细介绍了我们的解决方案,以mixic 4cast 2020。类似于2019年的Ammic 4cast,Ammic 4cast 2020挑战其参赛者开发可以预测大城市未来交通状态的算法。我们的团队在两个方面应对了这一挑战。我们研究了特征和损失函数设计的重要性,并从去年开始对性能最佳的U-Net解决方案进行了重大改进。我们还探索了图神经网络的使用,并引入了一种新的集成GNN架构,该架构优于去年的GNN解决方案。虽然我们的GNN有所改善,但仍无法与U-Net的表现相媲美,并讨论了这种不足的潜在原因。我们的最终解决方案,即我们的U-Net和GNN的集成,在2020年的EQUIPIC 4CAST中获得了第四名。
2020-12-03 cs.LG
Large scale traffic forecasting with gradient boosting, Traffic4cast 2022 challenge
Bolt Technology(博尔特科技);University of Bucharest(布加勒斯特大学)
准确的交通预测对于优化出行规划和高效的城市交通至关重要。IARAI(人工智能高级研究所)组织了一项基于真实数据的年度交通预测竞赛“Traffic 4cast”[https://www.iarai.ac.at/traffic4cast/],旨在利用人工智能的进步来产生准确的交通估计。我们提出了我们的解决方案,IARAI的mixic 4cast 2022竞争,其中的目标是开发预测道路图边缘拥堵类和超段级行驶时间的算法。与前几年相比,今年的比赛侧重于建模图边缘水平的行为,而不是更粗糙的聚合基于网格的交通电影。由于这一点,我们利用了一种类似于表格数据建模的方法--梯度提升决策树集成。我们降低了代表交通计数器的输入数据的维数与经典的PCA方法的帮助下,并将其作为输入到LightGBM模型。这种简单、快速和可扩展的技术使我们在核心竞争中获得第二名。源代码和对训练模型文件和提交的引用可在https://github.com/skandium/t4c22上获得。
2022-10-31 cs.LG
Network Wide Evacuation Traffic Prediction in a Rapidly Intensifying Hurricane from Traffic Detectors and Facebook Movement Data: A Deep Learning Approach
University of Central Florida(中佛罗里达大学);Amadeus(Amadeus(阿莫迪乌斯,全球旅游科技公司))
本研究利用交通检测器和Facebook移动数据,结合深度学习与迁移学习,实现对快速增强飓风期间全网疏散交通的提前6小时预测,准确率达93%。
2023-11-16 cs.LG
Monitoring Urban Traffic Dynamics at Fine Spatiotemporal Resolution Using Distributed Acoustic Sensing and Deep Learning
Texas A&M University(德克萨斯农工大学)
本研究利用分布式声学传感和深度学习,构建了高时空分辨率的城市交通监测框架,实现了车辆轨迹检测与交通状态推断,为实时交通动态观测提供了高效方案。
2026-09-25 cs.LG
TrafFormer: A Transformer Model for Predicting Long-term Traffic
RMIT University(皇家墨尔本理工大学);The University of Melbourne(墨尔本大学);Swinburne University of Technology(斯威本科技大学)
交通预测是一个新兴的研究领域,因为它在城市空间中的人类流动的重要性。尽管如此,现有的研究只关注提前几个小时的短期预测,大多数只有一个小时。长期交通预测可以使更全面,更明智,更积极的措施来应对交通拥堵,因此是一个重要的任务来探索。在本文中,我们探讨了长期交通预测的任务,我们预测交通提前24小时。我们注意到现有的模型的弱点-这是基于经常性的结构-长期的交通预测,并提出了一个修改后的Transformer模型“TrafFormer”。通过与现有的混合神经网络模型的比较实验,证明了该模型的优越性。
2023-03-03 cs.LG
"How do urban incidents affect traffic speed?" A Deep Graph Convolutional Network for Incident-driven Traffic Speed Prediction
Fudan University(复旦大学);Aalto University(阿尔托大学);University of Chicago(芝加哥大学)
准确的交通速度预测是交通规划中一个重要而又具有挑战性的课题。以往的交通速度预测研究主要采用时空和上下文特征进行预测。但是,他们没有很好地利用城市交通事件的影响。在这项工作中,我们的目标是利用城市事件的信息,以实现更好的预测交通速度。我们的事件驱动预测框架由三个过程组成。首先,我们提出了一个关键事件发现方法,发现城市交通事件的交通速度有很大的影响。其次,我们设计了一个二元分类器,它使用深度学习方法从分类器的中间层提取潜在的事件影响特征。结合上述方法,提出了一种深度事件感知图卷积网络(DIGC-Net),有效地结合城市交通事件、时空、周期和上下文特征进行交通速度预测。我们在旧金山和纽约的两个真实城市交通数据集上进行实验。结果表明,我们的模型相比竞争基准的优越性能。
2019-12-03 cs.LG eess.SP stat.ML
Traffic Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting
University of Washington(华盛顿大学);INRIX, Inc.(因瑞克斯公司)
交通预测是时空预测中一个极具挑战性的应用,因为交通模式是时变的,而且对道路网络的空间依赖性非常复杂。为了应对这一挑战,我们将交通网络作为一个图来学习,并提出了一种新的深度学习框架,即交通图卷积长短期记忆神经网络(TGC-LSTM),以学习交通网络中道路之间的相互作用,并预测整个网络的交通状态。我们定义了基于物理网络拓扑的流量图卷积。本文还讨论了所提出的业务图卷积与频谱图卷积之间的关系。在模型的损失函数中加入了图卷积权值的L1范数和图卷积特征的L2范数,以增强模型的可解释性。实验结果表明,该模型优于基线方法在两个现实世界的交通状态数据集。图卷积权重的可视化表明,该框架可以识别出现实世界中的交通网络中最有影响力的路段。
2019-11-05 cs.LG stat.ML
Traffic-Twitter Transformer: A Nature Language Processing-joined Framework For Network-wide Traffic Forecasting
University of Washington(华盛顿大学);Beihang University(北京航空航天大学);STAR Lab(STAR实验室)
通过准确及时的交通预测,可以提前预测受影响的交通状况,以指导机构和居民适当地应对交通模式的变化。然而,现时的交通预测工作主要依赖过往的交通模式,只限于短期预测,例如少于1小时。为了更好地管理未来的道路通行能力并适应社会和人类的影响,提出一个灵活而全面的框架来预测公共用户和交通机构的物理感知长期交通状况是至关重要的。在本文中,鲁棒的长期交通预测的差距,弥补了社会媒体的特点考虑。首先进行相关性研究和线性回归模型,以评估两个时间序列数据,流量强度和Twitter数据强度之间的相关性的意义。然后,将两个时间序列数据输入我们提出的社会感知框架中,该框架将自然语言表示集成到时间序列记录中,用于长期流量预测。在大西雅图地区的实验结果表明,我们提出的模型优于基线模型在所有的评估矩阵。这个加入NLP的社会感知框架可以成为交通机构的网络范围内的流量预测和管理的一个有价值的实现。
2022-10-30 cs.AI cs.LG
A rapid approach to urban traffic noise mapping with a generative adversarial network
Shenyang Jianzhu University(沈阳建筑大学);National University of Singapore(新加坡国立大学);Dalian University of Technology(大连理工大学)
本文提出一种基于生成对抗网络的城市交通噪声快速制图方法,以道路和建筑物为输入,在Grasshopper中集成工具,帮助规划人员在早期设计阶段快速评估声学影响。
2024-08-31 cs.LG physics.app-ph
Clustering of Urban Traffic Patterns by K-Means and Dynamic Time Warping: Case Study
Snapp Company(Snapp公司)
本文提出基于K-Means与动态时间规整的时间序列聚类算法,并利用Snapp应用驾驶员速度数据验证其在缺失速度估计和重要路段识别中的有效性。
2023-09-18 cs.AI cs.LG
Building Transparency in Deep Learning-Powered Network Traffic Classification: A Traffic-Explainer Framework
University of Oregon(俄勒冈大学);University of Oregon, Link Oregon(俄勒冈大学,Link Oregon)
本文提出模型无关的流量解释框架Traffic-Explainer,通过最大化原始与掩码序列预测间的互信息揭示关键特征,在应用分类、流量定位和网络制图中提升深度学习流量分类的透明性,性能较现有方法提升约42%。
2025-09-22 cs.LG cs.NI
Urban Vibrancy Embedding and Application on Traffic Prediction
School of Computing(计算学院);KAIST(韩国科学技术院);Luddy School of Informatics(信息学院);Indiana Univ.(印第安纳大学)
本研究提出基于城市活力嵌入的交通预测方法,结合VAE和LSTM提升预测准确性和响应性。
2026-02-07 cs.AI cs.LG
FDTI: Fine-grained Deep Traffic Inference with Roadnet-enriched Graph
Shanghai Jiao Tong University(上海交通大学);Arizona State University(亚利桑那州立大学)
本文提出FDTI,一种基于路网增强图的细粒度深度交通推断方法,通过构建细粒度交通图、动态移动卷积和流量守恒,实现城市级1分钟间隔的交通预测,达到最先进性能。
2023-06-19 cs.AI cs.LG
TrafficGPT: Towards Multi-Scale Traffic Analysis and Generation with Spatial-Temporal Agent Framework
Hunan University(湖南大学)
本文提出 TrafficGPT 时空智能体框架,通过需求解析、交通预测、建议可视化三个智能体支持多尺度交通分析、生成与交互,并在五个真实道路数据集上验证其性能。
2024-05-08 cs.AI cs.LG
Effective and Efficient Cross-City Traffic Knowledge Transfer: A Privacy-Preserving Perspective
Zhejiang University(浙江大学)
本文提出FedTT框架,通过隐私保护和高效联邦学习方法解决跨城市交通知识迁移中的隐私泄露、数据分布差异和低数据质量问题。
2026-02-01 cs.CR cs.LG
Two-Stream Multi-Channel Convolutional Neural Network (TM-CNN) for Multi-Lane Traffic Speed Prediction Considering Traffic Volume Impact
University of Washington(华盛顿大学)
交通速度预测是智能交通系统(ITS)的重要组成部分。近年来,随着深度学习和交通数据科学的快速发展,越来越多的新的交通速度预测模型被设计出来,实现了高精度和大规模的预测。然而,现有的研究有两大局限性。首先,他们预测的是聚合交通速度,而不是车道级交通速度;其次,大多数研究忽略了其他交通流参数对速度预测的影响。为了解决这些问题,我们提出了一个双流多通道卷积神经网络(TM-CNN)模型的多车道交通速度预测考虑交通量的影响。在该模型中,我们首先介绍了一种新的数据转换方法,将原始的交通速度数据和体积数据转换为时空多通道矩阵。然后,我们仔细设计了一个双流深度神经网络,以有效地学习各个车道之间、时空维度上以及速度和体积之间的特征和相关性。因此,一个新的损失函数,考虑体积的速度预测的影响。使用一年数据的案例研究验证了TM-CNN模型,并证明了其优越性。本文主要研究两个方面:(1)交通速度预测;(2)多车道交通流研究。
2019-03-05 cs.LG stat.ML
Modeling Network-level Traffic Flow Transitions on Sparse Data
Xi’an Jiaotong University(西安交通大学);New Jersey Institute of Technology(新泽西理工学院)
对城市环境中网络级交通流的变化进行建模,对于交通、公共安全和城市规划等方面的决策具有重要意义。交通流系统可以被看作是在状态之间转换的动态过程(例如,每个路段上的交通量)随时间的变化。在具有交通信号控制或可逆换道等交通操作行为的现实交通系统中,系统的状态受历史状态和交通操作行为的影响。在本文中,我们考虑在现实世界的环境下,可用的数据是稀疏的(即,仅观察到交通系统的一部分)。我们提出了DTIGNN,一种方法,可以预测网络级的流量从稀疏数据。DTIGNN将交通系统建模为受交通信号影响的动态图,从交通中学习基于基本过渡方程的过渡模型,并在此过程中通过插补来预测未来的交通状态。通过综合实验,我们证明了我们的方法优于国家的最先进的方法,可以更好地支持交通决策。
2022-11-19 cs.AI cs.LG
Multi-scale Traffic Pattern Bank for Cross-city Few-shot Traffic Forecasting
Shanghai Jiao Tong University(上海交通大学);Ocean University of China(中国海洋大学)
针对数据稀缺城市的交通预测难题,本文提出 MTPB,通过源城市时空预训练、聚类构建多尺度模式库并由目标城市查询聚合元知识以指导图重构与预测,在真实数据集上优于现有方法。
2024-02-26 cs.AI cs.LG
Empowering Urban Traffic Management: Elevated 3D LiDAR for Data Collection and Advanced Object Detection Analysis
Missouri University of Science and Technology (MST)(密苏里科技大学);King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
本文提出利用高架LiDAR传感器和模拟点云数据,微调PV-RCNN模型,以提升城市交通场景中车辆和行人的3D检测精度,从而改善城市安全和智能交通系统。
2024-05-21 cs.AI cs.CV cs.LG
Urban Region Embeddings from Service-Specific Mobile Traffic Data
IMT Lucca(IMT卢卡大学);ISTI-CNR(ISTI-CNR(意大利国家研究委员会信息科学与技术研究所));University of Pisa(比萨大学)
本文提出利用服务特定移动流量数据,通过时间卷积自编码器、Transformer和可学习加权求和模型生成城市区域嵌入,实验证明其能有效捕获城市特征并优于现有方法。
2024-11-20 cs.AI cs.LG cs.NI
Traffic Forecasting on Traffic Moving Snippets
ETH Zurich(苏黎世联邦理工学院)
交通预测技术的进步可以极大地影响城市交通。在traffic4cast竞赛中,短期交通预测的任务得到了前所未有的详细处理,交通量和速度信息每隔5分钟提供一次,空间分辨率很高。为了提高对未知城市的泛化能力,按照2021年扩展挑战的要求,我们建议预测小的二次城市部分,而不是一次处理整个城市栅格。在测试时,将测试数据分解为空间裁剪的重叠片段提高了最终预测的稳定性和鲁棒性,因为覆盖一个单元的多个补丁可以独立处理。通过在traffic4cast测试数据上的性能测试和在验证集上的进一步实验,表明分片预测确实提高了准确性。使用Unet++架构以及在测试时处理的每个样本的补丁数量增加,可以获得更多优势。我们的结论是,我们的基于片段的方法,结合竞争中提出的其他成功的网络架构,可以利用性能,特别是在看不见的城市。所有源代码都可以在https://github.com/NinaWie/NeurIPS2021-traffic4cast上找到。
2021-10-27 cs.CV cs.LG eess.IV
An IoT-Based System: Big Urban Traffic Data Mining Through Airborne Pollutant Gases Analysis
Shiraz University(设拉子大学)
本文提出一种基于物联网的城市交通拥堵检测系统,通过计算区域空气污染量来获取交通拥堵情况,实验结果令人满意。
2020-02-15 cs.LG cs.SY eess.SP
Deep Reinforcement Learning for Adaptive Traffic Signal Control
Iowa State University(爱荷华州立大学)
许多现有的交通信号控制器要么是简单的自适应控制器的基础上放置在交通路口周围的传感器,或优化的交通工程师在一个固定的时间表。优化交通控制器非常耗时,通常需要经验丰富的交通工程师。最近的研究已经证明了在这种情况下使用深度强化学习(DRL)的潜力。然而,大多数研究都没有考虑可以无缝过渡到部署的现实设置。在本文中,我们提出了一个基于DRL的自适应交通信号控制框架,明确考虑现实的交通场景,传感器和物理约束。在这个框架中,我们还提出了一种新的奖励功能,显示出显着改善的交通性能相比,典型的基线预定时和完全驱动的交通信号控制器。该框架的实现和验证仿真平台上模拟现实生活中的交通场景和传感器数据流。
2019-11-14 cs.LG cs.SY eess.SP
Urban traffic analysis and forecasting through shared Koopman eigenmodes
New York University Abu Dhabi(纽约大学阿布扎比分校)
针对数据稀缺城市的交通流量预测难题,提出基于约束汉克尔化DMD(TrHDMD)的跨城市迁移学习方法,通过提取并共享数据丰富城市的稳定Koopman特征模态(城市心跳),显著提升了数据稀缺城市的预测准确性与交通管理能力。
2024-12-18 cs.LG cs.SY eess.SP