A Double-Norm Aggregated Tensor Latent Factorization Model for Temporal-Aware Traffic Speed Imputation
College of Computer and Information Science(计算机与信息科学学院);Southwest University(西南大学)
针对交通速度数据缺失问题,提出结合L2和平滑L1范数的TATSI模型,采用SLF-NMU求解器,在三个真实数据集上实现高精度鲁棒的补全。
2025-04-24 cs.LG
Graph Convolutional Network With Pattern-Spatial Interactive and Regional Awareness for Traffic Forecasting
College of Mechanical and Electrical Engineering, Shihezi University(石河子大学机械与电子工程学院);School of Mathematics and Computational Science, Xiangtan University(湘潭大学数学与计算机科学学院);College of Sciences, Shihezi University(石河子大学科学学院)
针对现有交通预测模型忽略交通模式与空间相关性交互、未考虑区域异质性的问题,提出模式-空间交互与区域感知图卷积网络PSIRAGCN,通过交互融合框架和区域感知消息传递提升预测精度,在三个真实数据集上性能优于最优基线且兼顾计算成本。
2025-08-30 cs.LG
PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction
Beihang University(北京航空航天大学);Pengcheng Laboratory(鹏城实验室);Renmin University of China(中国人民大学)
针对现有交通流预测GNN模型静态建模、难捕捉长程依赖及忽略传播延迟的问题,提出PDFormer模型,通过动态空间自注意力、长短程图掩码及延迟感知模块实现精准预测,在6个数据集上达SOTA且效率可观、可解释性强。
2024-03-07 cs.LG
Spatiotemporal-aware Trend-Seasonality Decomposition Network for Traffic Flow Forecasting
Faculty of Information Science and Engineering, Ocean University of China(中国海洋大学信息科学与工程学院)
针对交通数据复杂时空动态导致的预测难题,提出STDN模型,通过动态图、时空嵌入及趋势-季节分解实现高效准确预测,并发布JiNan数据集。
2025-02-17 cs.AI cs.LG
Destination-aware Adaptive Traffic Flow Rule Aggregation in Software-Defined Networks
Technische Universität Chemnitz(开姆尼茨工业大学)
在本文中,我们提出了一个目的地感知的自适应流量规则聚合(DATA)机制,以促进基于SDN的网络中的流量监控。该方法根据其他机制(例如,用于流量工程、流量监控、入侵检测)所需的流量流信息的详细程度来适配SDN交换机中的流表条目的数量。它还通过将流表条目的数量保持在远低于临界水平来防止SDN交换机的性能下降。该水平不是预设为硬阈值,而是在操作期间通过使用基于机器学习的算法来学习。DATA方法在RESTful应用(DATA App)内实现,该RESTful应用监控和分析正在进行的网络流量,并向SDN控制器提供指令以相应地适配流量流匹配策略。在SDN仿真环境中对DATA进行了全面的性能评估。结果表明,与常见SDN控制器的默认行为相比,所提出的DATA方法可以显著提高SDN交换机的性能,同时仍能按需提供详细的流量信息。
2019-09-07 cs.LG cs.NI
Neighbor-Aware Reinforcement Learning for Mixed Traffic Optimization in Large-scale Networks
University of Tennessee(田纳西大学)
本文提出一种邻域感知强化学习框架,通过奖励机制协调多交叉口混合交通,实现RV均衡分布,在真实网络中平均等待时间较单交叉口策略降低39.2%。
2024-12-17 cs.LG cs.SY eess.SY
Towards Spatio-Temporal Aware Traffic Time Series Forecasting--Full Version
Aalborg University(奥尔堡大学);Monash University(莫纳什大学)
交通时间序列预测是具有挑战性的,因为来自不同位置的复杂时空动态时间序列通常具有不同的模式;并且对于相同的时间序列,模式可能随时间而变化,例如,在一天中存在显示出更强的时间相关性的某些时段。尽管最近的预测模型,特别是基于深度学习的模型,显示出有希望的结果,但它们受到时空不可知论的影响。这样的时空不可知模型采用共享参数空间,而不管时间序列位置和时间段,并且它们假设时间模式在位置之间是相似的,并且不会在时间上演变,这可能并不总是成立,从而导致次优结果。在这项工作中,我们提出了一个框架,旨在把时空不可知模型时空感知模型。为此,我们将来自不同位置的时间序列编码为随机变量,从中生成特定于位置和随时间变化的模型参数,以更好地捕捉时空动态。我们展示了如何整合的框架与规范的注意,使时空意识的注意。其次,为了补偿时空感知模型参数生成过程中引入的额外开销,提出了一种新的窗口注意机制,将复杂度从二次降低到线性,使得时空感知注意也具有竞争效率.我们在四个交通时间序列数据集上展示了强有力的经验证据,其中所提出的时空感知注意力在准确性和效率方面优于最先进的方法。这是“Towards Spatio-Temporal Aware Traffic Time Series Forecasting”的扩展版本,将出现在ICDE 2022 [1]中,包括其他实验结果。
2022-04-05 cs.LG
Flow-Packet Hybrid Traffic Classification for Class-Aware Network Routing
University of Toronto(多伦多大学);TELUS(泰勒斯公司)
使用机器学习技术的网络流量分类已经被广泛研究。大多数现有的计划分类整个交通流量,但有很大的局限性,其实用性。在网络路由器上,需要以最小的延迟处理数据包,因此分类器不能等到流结束才做出决定。此外,复杂的机器学习算法可能在计算上过于昂贵而无法在路由器内部实现。在本文中,我们引入流包混合流量分类(FPHTC),其中路由器作出决定,每个数据包的基础上的路由策略,设计通过转移学习的知识,从基于流的分类驻留在路由器之外。我们分析了FPHTC的推广界,并显示其优势,定期基于数据包的流量分类。我们目前的实验结果使用真实世界的流量数据集来说明FPHTC的分类性能。我们表明,它是强大的流量模式的变化,可以部署有限的计算资源。
2021-04-30 cs.LG cs.NI
Capacity-Aware Deep Learning for Generalizable Traffic Volume Estimation Across Links and Cities
IFP Energies nouvelles(法国石油与新能源研究院);Université Gustave Eiffel(古斯塔夫·埃菲尔大学);Khalifa University(哈里发大学)
研究提出链路级学习框架,利用区域数据估计交通流量,将其视为稀疏监督下的空间外泛化问题。通过容量感知公式嵌入交通理论约束,实验表明该框架在空间分布转移下优于基线,提升了交通流量估计的泛化能力。
2026-07-28 cs.AI cs.LG
Traffic-Aware Optimal Taxi Placement Using Graph Neural Network-Based Reinforcement Learning
本文提出基于图神经网络强化学习的交通感知出租车最优布置方法,通过实时整合交通数据优化出租车热点,有效减少乘客等待时间和司机行驶距离。
2026-01-02 cs.LG
STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention Network for Traffic Forecasting
Beijing University of Posts and Telecommunications(北京邮电大学)
随着交通大数据的增加,交通预测逐渐引起了研究者的关注。因此,如何挖掘交通数据中复杂的时空相关性,更准确地预测交通状况成为一个难题。以前的工作将图卷积网络(GCN)和自注意机制与深度时间序列模型(例如递归神经网络)相结合,以单独捕获时空相关性,忽略了跨时间和空间的关系。此外,GCN受到过平滑问题的限制,自注意受到二次问题的限制,导致GCN缺乏全局表示能力,自注意不能有效地捕捉全局空间依赖性。在本文中,我们提出了一种新的深度学习模型,称为多上下文感知时空联合线性注意力(STJLA),它将线性注意力应用于时空联合图,以有效地捕获所有时空节点之间的全局依赖性。更具体地说,STJLA利用静态结构上下文和动态语义上下文来提高模型性能。基于node 2 vec和one-hot编码的静态结构上下文丰富了时空位置信息。此外,基于多头扩散卷积网络的动态空间上下文增强了局部空间感知能力,基于GRU的动态时间上下文稳定了线性注意力的序列位置信息.两个真实世界的流量数据集,英格兰和PEMSD 7,实验表明,我们的STJLA可以实现高达9.83%和3.08%的准确性提高MAE措施比国家的最先进的基线。
2021-12-04 cs.LG
Global-Aware Enhanced Spatial-Temporal Graph Recurrent Networks: A New Framework For Traffic Flow Prediction
Soochow University(苏州大学);University of North Carolina at Greensboro(北卡罗来纳大学格林斯伯勒分校)
针对交通流预测中循环网络难以捕获全局信息及固定图结构假设的局限,提出包含时空图循环网络与全局感知层的GA-STGRN框架,集成序列感知图神经网络与全局时空类Transformer架构,在四个真实数据集上验证了其优越性。
2024-01-07 cs.AI cs.LG
CAST-CKT: Chaos-Aware Spatio-Temporal and Cross-City Knowledge Transfer for Traffic Flow Prediction
Griffith University(格里菲斯大学);Central South University(中南大学)
CAST-CKT通过混沌意识机制提升跨城市交通流预测的准确性和可解释性。
2026-02-04 cs.AI cs.LG
DiTSG: Context-Aware Air Traffic Scene Generation with Multi-Agent Diffusion Transformers
George Washington University(乔治华盛顿大学);Korea Aerospace University(韩国航空航天大学)
针对现有空中交通模拟器难以捕捉管制员干预模式的问题,提出DiTSG模型,其采用多智能体逆Transformer层作为去噪骨干,可生成保留真实机间交互且符合统计特性的多样化空中交通场景。
2026-10-30 cs.LG cs.MA cs.RO
Ctx2TrajGen: Traffic Context-Aware Microscale Vehicle Trajectories using Generative Adversarial Imitation Learning
本文提出 Ctx2TrajGen 框架,融合 GAIL、PPO 与 WGAN-GP,并依据周围车辆和道路几何生成交互感知轨迹,在 DRIFT 数据集上显著提升真实性、多样性与情境保真度。
2025-07-23 cs.AI cs.LG
LASIL: Learner-Aware Supervised Imitation Learning For Long-term Microscopic Traffic Simulation
Alibaba Group(阿里巴巴集团);The University of Hong Kong(香港大学);Centre for Transformative Garment Production(变革性服装生产中心);University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校)
本文提出学习者感知监督式模仿学习(LASIL),利用变分自编码器建模专家与学习者状态分布以解决协变量偏移,在pNEUMA数据集上实现更真实的短期微观与长期宏观交通仿真。
2024-05-23 cs.AI cs.LG
An Efficient Two-stage Gradient Boosting Framework for Short-term Traffic State Estimation
Layer 6 AI
实时交通状态估计是智能交通系统的重要组成部分。NeurIPS 2022网络4cast挑战赛为短期流量状态估计方法的基准测试提供了一个很好的测试平台。本技术报告描述了我们应对这一挑战的解决方案。特别是,我们提出了一个有效的两阶段梯度提升框架的短期交通状态估计。第一阶段基于稀疏循环计数器数据导出月份、星期几和时隙索引,并且第二阶段基于稀疏循环计数器数据和导出的月份、星期几和时隙索引预测未来交通状态。实验结果表明,我们的两阶段梯度提升框架实现了强大的经验性能,在核心和扩展挑战中均获得第三名,同时保持高效。本技术报告的源代码可从\url{https://github.com/YichaoLu/Traffic4cast2022}获得。
2023-02-21 cs.LG
Global Spatio-Temporal Fusion-based Traffic Prediction Algorithm with Anomaly Aware
Nanjing University of Science and Technology(南京理工大学);Southeast University(东南大学)
本文提出一种融合异常感知的全局时空交通预测算法,通过异常因素影响模块和多尺度时空特征融合模块捕捉长期与短期相关性,在PEMS04和PEMS08数据集上取得最优性能。
2024-12-19 cs.AI cs.LG
Traffic Refinery: Cost-Aware Data Representation for Machine Learning on Network Traffic
Université Savoie Mont Blanc(萨瓦勃朗峰大学);Princeton University(普林斯顿大学);Nokia Bell Labs(诺基亚贝尔实验室);Inria(法国国家信息与自动化研究所);University of Chicago(芝加哥大学)
网络管理通常依赖于机器学习来预测网络流量的性能和安全性。通常,流量的表示与模型的选择一样重要。模型所依赖的特征以及这些特征的表示最终决定了模型的准确性,以及模型在实践中的部署位置和部署方式。因此,这些模型的设计和评估最终不仅需要了解模型的准确性,还需要了解与在运营网络中部署模型相关的系统成本。为了实现这一目标,本文开发了一个新的框架和系统,能够联合评估机器学习性能的传统概念(例如,模型精度)和网络流量的不同表示的系统级成本。我们强调这两个方面的两个实际的网络管理任务,视频流质量推断和恶意软件检测,以证明探索不同的表示,以找到适当的操作点的重要性。我们展示了探索一系列网络流量表示的好处,并提出了流量精炼,一个概念验证的实现,既可以以10 Gbps的速度监控网络流量,又可以实时的转换流量,为机器学习产生各种特征表示。Traffic Refinery既突出了这一设计空间,又使探索不同的学习表示成为可能,平衡了与特征提取和模型训练相关的系统成本与模型准确性。
2021-06-07 cs.LG cs.NI
ResLearn-XR: Residual Learning for Network Traffic and Quality-of-Experience-Aware Modeling in Extended Reality
Carleton University(卡尔顿大学);Toronto Metropolitan University(多伦多都会大学)
该研究提出ResLearn-XR框架,采用两阶段残差学习结构,结合DDA算法与自建数据集,实现XR流量预测和QoE风险评估,显著降低相关预测的SMAPE。
2026-09-07 cs.AI cs.LG cs.NI
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
FUSE-Traffic: Fusion of Unstructured and Structured Data for Event-aware Traffic Forecasting
Department of Computer Science and Engineering, University of North Texas(计算机科学与工程系,北卡罗来纳州立大学)
本文面向事件感知交通预测,提出FUSE-Traffic以融合非结构化与结构化数据,克服传统GNN依赖人工事件特征、泛化性弱及语义损失的问题。
2025-10-16 cs.AI cs.LG
Causally-Aware Spatio-Temporal Multi-Graph Convolution Network for Accurate and Reliable Traffic Prediction
The Hong Kong Polytechnic University(香港理工大学);Tongji University(同济大学);Sichuan University(四川大学);NEOMA Business School(诺欧商学院)
本文提出端到端交通预测框架,结合动态因果结构学习、因果感知时空多图卷积网络(CASTMGCN)与共形预测,提升预测精度并保证不确定性量化的统计有效性。
2024-08-23 cs.AI cs.LG
Short-term passenger flow prediction for multi-traffic modes: A Transformer and residual network based multi-task learning method
Beijing Jiaotong University(北京交通大学)
随着移动即服务(MaaS)的普及,多业务模式的协同管理变得越来越重要。多交通方式的短时客流预测作为城市交通服务的重要组成部分,也因此受到关注。由于多交通方式的时空特征非常复杂,因此这是一个具有挑战性的问题。此外,多种交通方式的客流分化和波动明显。为了解决这些问题,本文提出了一种基于多任务学习的模型,称为Res-Transformer,用于多交通方式(地铁,出租车和公共汽车)的短期流入预测。在模型中,每个交通模式被视为一个单一的任务。Res-Transformer由两部分组成:(1)多个改进的Transformer层,包括conv-Transformer层和多头注意力机制,有助于提取多业务模式的空间和时间特征;(2)利用剩余网络结构获得不同业务模式的相关性,防止梯度消失、梯度爆炸和过拟合。Res-Transformer模型在中国北京的两个大规模真实世界数据集上进行了评估。一个是交通枢纽区域,另一个是居住区区域。通过实验比较了该模型与几种基准模型的性能。实验结果证明了该方法的有效性和鲁棒性。本文可以提供关键的见解,短期流入预测的多交通方式。
2022-05-07 cs.LG
SIGMA: Symmetry-aware, Intelligent, Geometric, Multi-faced Adaptive Traffic Control for Reliable Intelligent Transportation Systems
Indian Statistical Institute(印度统计研究所);Sorbonne University Abu Dhabi(阿布扎比索邦大学);Sorbonne Center for Artificial Intelligence(索邦人工智能中心);SQC & OR(统计质量控制与运筹学研究室)
本文提出SIGMA框架,结合LLM实现自适应交通信号多目标控制,在SUMO仿真中较基准控制器降低等待与排队时长、提升通行量,且具备鲁棒性与统计可靠性。
2026-10-14 cs.LG stat.ML
A Generative Approach for Production-Aware Industrial Network Traffic Modeling
Nokia Bell Labs(诺基亚贝尔实验室);Trumpf(通快)
工业4.0引发的新一轮数字化浪潮要求无处不在的可靠连接,以执行和自动化工业操作。5G网络可以满足异构垂直应用的极端要求,但缺乏真实数据和真实的流量统计数据,为工业环境的网络优化和配置带来了许多挑战。在本文中,我们调查了德国通快工厂部署的激光切割机产生的网络流量数据。我们分析的流量统计数据,捕捉机器的内部状态之间的依赖关系,并作为一个生产状态依赖的随机过程的网络流量模型。该模型分为两步:首先将生产过程建模为多状态半马尔可夫过程,然后利用生成模型学习依赖于生产状态的数据包到达间隔时间和数据包大小的条件分布。我们比较了各种生成模型的性能,包括变分自编码器(VAE),条件变分自编码器(CVAE)和生成对抗网络(GAN)。数值结果表明,一个很好的近似的交通到达统计取决于生产状态。在所有的生成模型中,CVAE在最小的Kullback-Leibler分歧方面提供了最好的性能。
2022-11-11 cs.LG stat.AP
A spatial-temporal short-term traffic flow prediction model based on dynamical-learning graph convolution mechanism
Wuhan University of Technology(武汉理工大学);Delft University of Technology(代尔夫特理工大学)
短时交通流预测是智能交通系统(ITS)的一个重要分支,在交通管理中起着重要的作用。图卷积网络(GCN)被广泛应用于交通预测模型中,以更好地处理道路网络的图形结构数据。然而,在现实生活中,不同路段之间的影响权重往往是不同的,很难人工分析。传统的GCN机制依赖于人工设置邻接矩阵,无法在训练过程中动态学习这种空间模式。针对这一缺陷,提出了一种新的位置图卷积网络(Location-GCN)。位置GCN通过在GCN机制中添加一个新的可学习矩阵来解决这个问题,使用这个矩阵的绝对值来表示不同节点之间的不同影响水平。然后,长短期记忆(LSTM)的流量预测模型中使用。此外,三角函数编码是在这项研究中,使短期的输入序列传达长期的周期性信息。最后,该模型与基线模型进行了比较,并在两个真实的世界交通流数据集上进行了评估。结果表明,我们的模型是更准确和更强大的两个数据集上比其他代表性的交通预测模型。
2022-05-10 cs.LG
MagiNet: Mask-Aware Graph Imputation Network for Incomplete Traffic Data
Shanghai Jiao Tong University(上海交通大学);Arizona State University(亚利桑那州立大学);Chinese Academy of Sciences(中国科学院)
本文提出MagiNet,通过自适应掩码时空编码器和多模块堆叠时空解码器,在不依赖零预填充的情况下学习不完整交通数据的时空依赖,缓解过度平滑填补,并在五个真实数据集上取得优于现有方法的填补精度。
2024-06-05 cs.AI cs.LG
Uncertainty-aware Grounded Action Transformation towards Sim-to-Real Transfer for Traffic Signal Control
Arizona State University(亚利桑那州立大学);West Windsor-Plainsboro High School South(西温莎-普莱恩斯伯勒南高中)
本文提出UGAT方法,通过基于不确定性的动作变换缓解仿真与现实之间的动力学差距,从而提升交通信号控制强化学习策略的sim-to-real迁移性能。
2023-10-30 cs.AI cs.LG
Context-aware knowledge graph framework for traffic speed forecasting using graph neural network
Future Resilient Systems, Singapore-ETH Centre, ETH Zurich(未来弹性系统中心(新加坡-ETH中心,苏黎世联邦理工学院));Institute of Cartography and Geoinformation, ETH Zurich(苏黎世联邦理工学院制图与地理信息研究所);University of Canterbury(坎特伯雷大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
提出上下文感知知识图谱(CKG)框架,结合双视图MHSA与GNN构建CKG-GNN模型,通过有效建模时空背景显著提升交通速度预测精度。
2024-12-21 cs.LG physics.soc-ph
SAINT-ACC: Safety-Aware Intelligent Adaptive Cruise Control for Autonomous Vehicles Using Deep Reinforcement Learning
Department of Computer Science, University of Memphis(孟菲斯大学计算机科学系);University of Memphis(孟菲斯大学)
提出了一种新的自适应巡航控制(ACC)系统,即SAINT-ACC:基于深度强化学习(RL)的{S} approximate-{A}ware {Int}elligent {ACC}系统(SAINT-ACC),旨在通过动态适应车间距来实现交通效率、驾驶安全性和驾驶舒适性的同时优化。提出了一种基于双强化学习Agent的交通效率优化方法,该方法基于从动态变化的复杂交通环境中采集的宏观和微观交通信息,通过有效控制驾驶安全模型参数和车间距,寻求和调整交通效率和驾驶安全/舒适性之间的最优平衡.通过对不同交通场景和渗透率的12,000多次模拟运行获得的结果表明,与最先进的方法相比,SAINT-ACC显著提高了交通流量、驾驶安全性和舒适性。
2021-09-24 cs.LG cs.RO
Spatial PDE-aware Selective State-space with Nested Memory for Mobile Traffic Grid Forecasting
本文提出NeST-S6模型,通过空间PDE感知核心和嵌套学习机制,提升移动交通网格预测的准确性和效率,在不同分辨率上均优于基线模型。
2026-03-12 cs.LG
MER-SDN: Machine Learning Framework for Traffic Aware Energy Efficient Routing in SDN
Koc University(科克大学)
软件定义网络(SDN)通过分离控制平面和数据平面来实现网络的可编程性。它实现了网络管理和控制的灵活性。能源效率是一个具有挑战性的全球性问题,具有经济和环境影响。在基于SDN的网络的控制器中生成大量信息。机器学习使计算机能够逐步从数据中学习,而无需编写特定的指令。在这项工作中,我们提出了MER-SDN:一个机器学习框架的流量感知能源效率的SDN路由。特征提取、训练和测试是学习机的三个主要阶段。实验在Mininet和POX控制器上进行,使用真实世界的网络拓扑结构和来自SNDlib的动态流量跟踪。实验结果表明,该方法能有效地减少特征尺寸约65%,提高能量有效的预测算法的参数预测精度70%以上,并且预测改进算法能以25倍的加速比将预测值收敛到最优参数值.
2021-08-05 cs.LG cs.NI stat.ML
Positional-aware Spatio-Temporal Network for Large-Scale Traffic Prediction
本文提出PASTN网络,通过位置感知嵌入和时间注意力模块,有效捕捉交通流的时空复杂性,提升大规模交通预测的效率和准确性。
2026-02-25 cs.AI cs.LG
Informed Reinforcement Learning for Situation-Aware Traffic Rule Exceptions
FZI Research Center for Information Technology(弗劳恩霍夫信息技术研究中心);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出知情强化学习,将结构化规则手册融入强化学习,并通过情境感知动态奖励使智能体学会在必要时执行受控交通规则例外,在复杂自动驾驶场景中取得高完成率。
2024-06-12 cs.CV cs.LG cs.RO
A Block Regression Model for Short-Term Mobile Traffic Forecasting
Tsinghua University(清华大学)
准确的移动流量预测对于有效的网络规划和运营至关重要。然而,现有的交通预测模型具有很高的复杂性,使得预测过程缓慢且成本高。本文分析了移动业务的周期性、空间相似性和短期相关性等特性。基于这些特点,我们提出了一个\emph{Block Regression}({BR})模型的移动业务预测。该模型采用季节性差异,以考虑到移动业务的时间重复性。我们的{BR}模型的关键特征之一在于其低复杂性,因为它为所有基站构建了单个模型。我们评估的准确性{BR}模型的基础上,实际的交通数据,并与现有的模型进行比较。结果表明,我们的{BR}模型提供了相同的准确性,现有的模型,但具有更低的复杂性。
2015-11-17 cs.LG cs.NI
PACC: Protocol-Aware Cross-Layer Compression for Compact Network Traffic Representation
University of Electronic Science and Technology of China(电子科技大学);University of Hong Kong(香港大学);Renmin University of China(中国人民大学);Hong Kong Polytechnic University(香港理工大学)
PACC通过跨层压缩和冗余消除,提升网络流量表示的效率与准确性,实现更高效的分类和检测性能。
2026-10-14 cs.LG cs.NI
Risk-Aware Resource Allocation for URLLC: Challenges and Strategies with Machine Learning
KTH - The Royal Institute of Technology(瑞典皇家理工学院)
支持超可靠低延迟通信(URLLC)是5G无线网络的主要挑战。调度和非调度URLLC流量都需要满足严格的延迟和可靠性要求,以实现各种5G应用。虽然已经研究了物理和媒体访问控制层解决方案以仅满足调度的URLLC业务,但是缺乏关于使得能够传输非调度的URLLC业务的研究,特别是在与调度的URLLC业务共存的情况下。机器学习(ML)由于其利用用户行为和无线电资源的使用中的空间/时间相关性的能力而成为这种共存场景的重要使能器。因此,在本文中,我们首先研究了共存设计的挑战,特别是无线电资源管理(RRM)问题,并提出了一个分布式的风险感知ML解决方案RRM。所提出的解决方案受益于混合正交/非正交无线电资源切片,并且主动调节满足每个URLLC业务类型的延迟/可靠性要求所需的频谱。一个案例研究,探讨潜在的建议RRM服务共存URLLC流量类型。结果进一步提供了关于利用智能RRM的益处的见解,例如,相对于用于调度业务的保守设计方法,实现了数据率的75%的增加,同时满足了调度和非调度业务类型的99.99%的可靠性。
2018-12-22 cs.LG cs.NI stat.ML
Uncertainty-aware Short-term Motion Prediction of Traffic Actors for Autonomous Driving
Uber Advanced Technologies Group(优步先进技术集团)
我们解决了自动驾驶汽车安全有效运行所必需的关键方面之一,即预测自动驾驶汽车周围交通行为者的未来状态。我们引入了一种基于深度学习的方法,该方法考虑了当前的世界状态,并生成每个演员附近的光栅图像。然后,这些光栅被用作深度卷积模型的输入,以推断参与者的未来运动,同时还考虑和捕获预测任务的固有不确定性。对真实世界数据的广泛实验强烈表明所提出的方法的好处。此外,在完成离线测试后,该系统成功地在自动驾驶汽车上进行了测试。
2020-03-04 cs.CV cs.LG cs.RO
A Long Short-Term Memory Recurrent Neural Network Framework for Network Traffic Matrix Prediction
LIP6 / UPMC(巴黎第六大学计算机科学实验室 / 皮埃尔和玛丽·居里大学)
网络流量矩阵(TM)预测被定义为从以前的和实现的网络流量数据估计未来的网络流量的问题。它广泛应用于网络规划、资源管理和网络安全等领域。长短期记忆(LSTM)是一种特定的循环神经网络(RNN)架构,非常适合从经验中学习,以分类,处理和预测具有未知大小时滞的时间序列。LSTM已经被证明比传统的RNN更准确地建模时间序列及其长期依赖性。在本文中,我们提出了一个LSTM RNN框架,用于预测大型网络中的短期和长期流量矩阵(TM)。通过在GEANT网络的真实数据上验证我们的框架,我们证明了我们的LSTM模型收敛速度很快,并且对于相对较小的模型提供了最先进的TM预测性能。
2017-06-08 cs.LG cs.NI
Cooperation-Aware Reinforcement Learning for Merging in Dense Traffic
Stanford University(斯坦福大学);Honda Research Institute(本田研究院)
对于自动驾驶汽车来说,在密集的交通中做出决策可能是一项挑战。仅依赖于预定义的道路优先级并将其他驾驶员视为移动物体的自动系统将导致车辆冻结并导致机动失败。人类驾驶员利用其他驾驶员的合作来避免这种僵局情况,并说服其他人改变他们的行为。决策算法必须考虑与其他驾驶员的互动,并预测广泛的驾驶员行为。在这项工作中,我们提出了一个强化学习的方法来学习如何与不同的合作水平的驱动程序进行交互。我们通过保持对其他驾驶员合作水平的信念来增强传统强化学习算法的性能。我们表明,我们的代理成功地学习如何导航密集的合并方案,比在线规划方法少死锁。
2019-06-26 cs.AI cs.LG cs.RO
Flow-ERD: Agent-type Aware Flow Matching With Entropy-Regularized Distillation for Diverse Traffic Simulation
NAVER LABS Corp.(NAVER实验室公司)
为解决交通模拟中多样性未被充分探索的问题,提出Flow-ERD模拟器,其核心方法是智能体类型感知流匹配与熵正则化蒸馏,能联合追求现实性和多样性,在测试基准中排名第一,主导帕累托前沿。
2026-10-26 cs.LG cs.RO
INTACT: Intent-Aware Representation Learning for Cryptographic Traffic Violation Detection
Department of Electronics & Electrical Engineering(电子与电气工程系)
INTACT通过意图感知表示学习,提升加密流量违规检测的区分能力、可解释性和鲁棒性。
2026-02-22 cs.CR cs.LG
Traffic-Aware Transmission Mode Selection in D2D-enabled Cellular Networks with Token System
Fudan University(复旦大学)
我们考虑D2D使能的蜂窝网络,其中理性用户拥有的用户设备(UE)被激励以使用令牌形成D2D对。他们通过电子方式交换代币来“购买”和“出售”D2D服务。同时,设备具有选择传输模式的能力,即经由蜂窝链路或D2D链路接收数据。因此,将不同业务类型带来的不同益处作为优先级,UE可以经由传输模式选择更有效地利用它们的令牌。在本文中,最优的传输模式选择策略以及令牌收集策略,以最大化的长期效用在动态网络环境中进行了研究。证明了最优策略是一个阈值策略,且阈值具有单调性。数值模拟验证了我们的观察结果,并观察到传输模式选择的增益。
2017-06-13 cs.IT cs.LG math.IT
See the Near Future: A Short-Term Predictive Methodology to Traffic Load in ITS
Xidian University(西安电子科技大学);Beijing Jiaotong University(北京交通大学);Deakin University(迪肯大学)
智能交通系统(ITS)的目标是通过应用先进的无线通信技术进行道路交通调度,实现协调的交通系统。为了实现准确的道路交通控制,短期交通预测往往是有用的和重要的,在特定的地点在短时间内预测的道路交通。在现有的研究中,季节性自回归积分移动平均(SARIMA)模型是一种比较流行的方法。然而,该方案面临两个挑战:1)对相关数据的分析不足,而数据的一些重要特征可能被忽略; 2)由于数据呈现不同的特征,因此不太可能有一个预测模型可以适用于所有情况。为了解决上述问题,在这项工作中,我们开发了一个混合模型,以提高精度的SARIMA。具体而言,我们首先探讨交通流的自相关性和分布特性,以修正时间序列模型的结构。基于交通流的高斯分布,提出了一种结合贝叶斯学习算法的混合模型,有效地扩展了SARIMA的应用场景。我们使用分析和实验研究表明,我们的建议的效率和准确性。使用真实世界的跟踪数据,我们表明,所提出的预测方法可以在实践中取得令人满意的性能。
2017-01-08 cs.LG stat.AP
Maintaining IoT Device Identification under Concept Drift via Budget-Aware Traffic Labeling
School of Electrical Engineering and Telecommunications, University of New South Wales(新南威尔士大学电气工程与电信学院);School of Computer Science and Engineering, University of New South Wales(新南威尔士大学计算机科学与工程学院);KDDI Research(KDDI研究所)
该研究针对IoT设备识别中概念漂移导致的分类性能下降问题,提出结合均匀流量采样与漂移检测确定标注量的策略,经380万条IPFIX流记录验证,可有效维持分类性能。
2026-08-25 cs.CR cs.LG cs.NI
iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning
University of Maryland(马里兰大学);University of Texas, Austin(德克萨斯大学奥斯汀分校)
本文提出分布式 MARL 方法 iPLAN,使自动驾驶智能体仅凭局部观测推断其他驾驶员的行为与即时意图,并在两类交通仿真中显著提升奖励、成功率和生存时间。
2023-08-21 cs.LG cs.MA cs.RO
Diffusion-Based Environment-Aware Trajectory Prediction
Linköping University(林雪平大学);Lund University(隆德大学)
本文提出一种基于扩散的多智能体轨迹预测模型,通过捕捉交互与环境信息并加入运动约束,在真实数据集上实现高精度且多样的轨迹预测,并适应不合作智能体行为。
2024-03-18 cs.CV cs.LG cs.RO