Multi-task Learning for Sparse Traffic Forecasting
South China University of Technology(华南理工大学)
准确的交通预测是提高智能交通系统性能的关键。以往的交通预测任务主要集中在小型和非孤立的交通子系统上,而2022年的交通预测竞赛则致力于探索整个城市的交通状态动态。仅给定一小时的稀疏循环计数数据,任务是预测所有路段的拥堵等级以及未来15分钟内沿超级路段的预期到达时间。循环计数器数据的稀疏性和高度不确定的实时交通状况使得竞争具有挑战性。为此,我们提出了一个多任务学习网络,可以同时预测每个路段的拥堵类别和速度。具体来说,我们使用聚类和神经网络方法来学习循环计数器数据的动态特征。然后,我们构建了一个图的道路段作为节点,并捕获道路段之间的空间依赖性的基础上的图神经网络。最后,我们学习三个措施,即拥挤类,速度值和音量类,同时通过一个多任务学习模块。对于扩展的竞争,我们使用预测的速度来计算沿超段的预期到达时间。我们的方法在2022年的music4cast竞赛提供的数据集上取得了优异的结果,源代码可在https://github.com/OctopusLi/NeurIPS2022-traffic4cast上获得。
2022-11-18 cs.LG
Similarity-based Feature Extraction for Large-scale Sparse Traffic Forecasting
Northeastern University(东北大学);Technical University of Munich(慕尼黑工业大学)
短时交通量预测是智能交通系统研究的热点。然而,大多数现有的预测系统是有限的实时探测车数据的要求,因为它们的配方作为一个时间序列预测问题。针对这一问题,NeurIPS 2022年的交通流4cast挑战赛致力于利用公开的稀疏循环计数数据预测全市范围的交通状态。本技术报告介绍了我们的第二名获奖解决方案,以应对ETA预测的扩展挑战。我们提出了一种基于相似性的特征提取方法,使用多个最近邻(NN)过滤器。提取了基于相似性的特征、静态特征、节点流特征和片段组合特征,用于训练梯度提升决策树模型。在三个城市(包括伦敦,马德里和墨尔本)的实验结果表明,我们的方法具有很强的预测性能,在行程时间估计任务中优于一些基于图神经网络的解决方案。源代码可从\url{https://github.com/c-lyu/Traffic4Cast2022-TSE}获得。
2022-11-13 cs.LG
Simulation-Free Estimation of Traffic Flows from Sparse Count Data
Aix Marseille University, CNRS, LIS, Marseille, France(艾克斯-马赛大学,法国国家科学研究中心,计算机与系统实验室,马赛,法国);Université Libre de Bruxelles, Machine Learning Group, Brussels, Belgium(布鲁塞尔自由大学,机器学习组,布鲁塞尔,比利时);WEL Research Institute, Wavre, Belgium(WEL研究所,瓦夫尔,比利时)
提出一种从稀疏聚合车辆计数中估计时变交通流模式的方法,通过分区、构建可行路径和加权最小二乘优化分配车辆,以低计算成本优于基线方法。
2026-06-23 cs.LG
Efficient Traffic State Forecasting using Spatio-Temporal Network Dependencies: A Sparse Graph Neural Network Approach
University of Connecticut(康涅狄格大学)
交通网络中的交通状态预测对于有效的交通运营和管理以及明智的用户和系统级决策至关重要。然而,长期交通预测(未来30分钟以上)在目前的研究中仍然具有挑战性。在这项工作中,我们集成了时空依赖的交通网络从网络建模,连同图卷积网络(GCN)和图注意力网络(GAT)。为了进一步解决由巨大的模型大小(即,由于多个级联层导致的权重数量),我们提出稀疏训练来减轻训练成本,同时保持预测精度。这是一个在每次迭代中使用固定数量的非零权重进行训练的过程。我们考虑的问题,长期的交通速度预测的一个真正的大规模的交通网络数据从加州交通部(Caltranss)性能测量系统(PeMS)。实验结果表明,所提出的GCN-STGT和GAT-STGT模型实现低预测误差的短期,中期和长期的预测视野,15,30和45分钟的持续时间,分别。使用我们的稀疏训练,我们可以用高稀疏度从头开始训练(例如,高达90%),相当于使用与密集训练相同的时期,每秒浮点运算(FLOPs)的计算成本减少10倍,并且与原始密集训练相比,达到了精度损失非常小的模型
2022-11-06 cs.LG
Unveiling Stochasticity: Universal Multi-modal Probabilistic Modeling for Traffic Forecasting
Urban Transport Systems Laboratory (LUTS), EPFL(智能交通系统实验室(LUTS),EPFL)
本文提出一种通用多模态概率建模方法,通过替换输出层为GMM层,提升交通预测的不确定性建模能力,实验表明其在多种数据集上表现优异。
2026-07-07 cs.AI cs.LG
Network-wide Freeway Traffic Estimation Using Sparse Sensor Data: A Dirichlet Graph Auto-Encoder Approach
Institute of Intelligent Transportation Systems, College of Civil Engineering and Architecture, Zhejiang University(智能交通系统研究院,土木工程与建筑学院,浙江大学)
本文提出DGAE模型,通过理论推导的DEFP4D、增强的空间表示学习和物理引导的传播机制,解决网络级交通状态估计中的方向性、空间相关性和不同模式传播规则问题。
2026-04-18 cs.LG
Vessel Traffic Flow Prediction on Sparse Data via Spatio-Temporal Graph Neural Networks with a Learnable Tweedie Head
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
针对船舶交通流数据高度稀疏且间歇性爆发的问题,提出一种模型无关的可学习Tweedie头作为即插即用输出模块,通过优化闭合形式的Tweedie单元偏差并预测均值,同时学习节点级方差幂以捕获港口区域异质性,在真实AIS数据上显著提升RMSE。
2026-06-05 cs.LG stat.ML
ON-Traffic: An Operator Learning Framework for Online Traffic Flow Estimation and Uncertainty Quantification from Lagrangian Sensors
Eindhoven University of Technology(埃因霍温理工大学)
本文提出 ON-Traffic 深度算子网络与滚动时域学习框架,利用移动探测车辆数据和下游边界输入实现在线时空交通状态估计及不确定性量化。
2025-03-18 cs.AI cs.LG cs.SY
DuETA: Traffic Congestion Propagation Pattern Modeling via Efficient Graph Learning for ETA Prediction at Baidu Maps
Baidu Inc.(百度公司)
预计到达时间(ETA)预测,也称为行程时间估计,是导航、路线规划和叫车服务等广泛智能交通应用的基本任务。为了准确地预测路径的行程时间,必须考虑上下文和预测因素,例如时空交互、驾驶行为和交通拥堵传播推断。百度地图之前部署的预计到达时间预测模型已经解决了时空交互(ConSTGAT)和驾驶行为(SSML)的因素。在这项工作中,我们专注于建模交通拥堵传播模式,以提高ETA性能。交通拥堵传播模式建模具有挑战性,它需要考虑影响区域随时间的推移和道路网络上的交通事件引起的延迟变化随时间的累积效应。在本文中,我们提出了一个实用的工业级ETA预测框架DuETA。具体来说,我们构建了一个基于交通模式的相关性的交通敏感图,我们开发了一个路由感知图Transformer直接学习路段的长距离相关性。这种设计使DuETA能够捕获空间上相距较远但与交通状况高度相关的路段对之间的相互作用。在百度地图收集的大规模真实数据集上进行了大量的实验。实验结果表明,ETA预测可以显着受益于学习的交通拥堵传播模式。此外,DuETA已经部署在百度地图的生产环境中,每天服务数十亿次请求。这表明DuETA是大规模ETA预测服务的工业级强大解决方案。
2022-08-15 cs.AI cs.LG cs.SI
Joint Graph Convolution and Sequential Modeling for Scalable Network Traffic Estimation
Carnegie Mellon University(卡内基梅隆大学);University of Southern California(南加州大学);Brown University(布朗大学);Northeastern University(东北大学);Rochester Institute of Technology(罗切斯特理工学院)
针对复杂拓扑下的网络流量预测问题,提出融合GCN空间依赖建模与GRU时间序列建模的时空框架,并在Abilene数据集上通过对比和消融实验验证其优越性能、稳定性与泛化能力。
2025-05-12 cs.LG
GNN-based Multi-Agent Control of Traffic Shockwaves in Sparse Vehicular Ad-hoc Networks
Microsoft(微软公司);GITAM University(吉塔姆大学);National Institute of Technology, Rourkela(鲁尔克拉国家理工学院)
研究稀疏车载自组织网络中交通激波问题,提出集成图神经网络的去中心化多智能体强化学习框架,车辆利用本地信息和邻车交互学习协同控制策略,能有效减少交通激波传播,即使低比例车辆联网时也能减少80%。
2026-08-03 cs.LG cs.NA cs.NI
Traffic4cast at NeurIPS 2022 -- Predict Dynamics along Graph Edges from Sparse Node Data: Whole City Traffic and ETA from Stationary Vehicle Detectors
Institute of Advanced Research in Artificial Intelligence (IARAI)(高级人工智能研究所(IARAI));ETH Zurich(苏黎世联邦理工学院);University of Science and Technology of China(中国科学技术大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Bolt Technology(博尔特科技);University of Bucharest(布加勒斯特大学);Northeastern University(东北大学);Technical University of Munich(慕尼黑工业大学);Layer 6 AI(Layer 6人工智能公司);South China University of Technology(华南理工大学);Loughborough University(拉夫堡大学);HERE Technologies(HERE科技公司);Kaiko(Kaiko公司)
城市化和个人流动性的全球趋势迫使我们重新思考我们生活和使用城市空间的方式。该竞赛系列以数据驱动的方式解决了这个问题,推进了机器学习的最新方法,随着时间的推移对复杂的空间系统进行建模。在这个版本中,我们的动态道路图数据结合了来自道路地图、$10^{12}$探测数据点和三个城市的静止车辆探测器的信息,时间跨度为两年。虽然静止车辆检测器是捕获交通量的最准确方法,但它们仅在少数位置可用。Apric 4cast 2022探索了能够在几个节点上概括松散相关的时间顶点数据的模型,以预测整个道路图边缘的动态未来交通状态。在核心挑战中,参与者被邀请预测未来15分钟内三个城市整个道路图的GPS数据中的速度水平得出的三种拥堵类别的可能性。我们只提供车辆计数数据,从空间稀疏的固定车辆检测器在这三个城市作为模型输入这项任务。在预测时间之前的一个小时内,将数据聚集在15分钟的时间仓中。对于扩展挑战,参与者的任务是预测未来15分钟超级路段的平均行驶时间-超级路段是图中较长的路段序列。比赛结果在预测复杂的城市范围内的交通状态方面取得了重要进展,仅从公开的稀疏车辆数据中,而不需要大量的实时浮动车辆数据。
2023-03-14 cs.LG cs.SI
Traffic data reconstruction based on Markov random field modeling
INRIA Saclay(法国国家信息与自动化研究所萨克雷中心);LRI(计算机研究实验室);Université Paris Sud(巴黎第十一大学)
我们考虑交通数据重建问题。假设我们有整个城市的交通数据是不完整的,因为一些道路数据是未观察到的。问题是重建数据中未观察到的部分。在本文中,我们提出了一种新的方法来重建从各种交通传感器收集的不完整的交通数据。我们的方法是基于马尔可夫随机场建模的道路交通。重建是通过使用平均场方法和机器学习方法。我们数值验证我们的方法使用现实的模拟交通数据,日本仙台的真实道路网络的性能。
2013-06-27 cond-mat.dis-nn cs.LG stat.ML
Unlocking air traffic flow prediction through microscopic aircraft-state modeling
Faculty of Information Science and Engineering(信息科学与工程学院);Ocean University of China(中国海洋大学);Sanya Oceanographic Institution(三亚海洋研究所);Joint Laboratory of Data Science and Business Intelligence(数据科学与商务智能联合实验室);Southwestern University of Finance and Economics(西南财经大学);The Affiliated Hospital of Qingdao University(青岛大学附属医院);School of Computing and Artificial Intelligence(计算机与人工智能学院)
本文提出AeroSense模型,通过微观飞机状态直接预测未来区域交通流量,提升高密度交通下的预测精度,替代传统时间序列方法。
2026-08-25 cs.LG
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
PMA-Diffusion: A Physics-guided Mask-Aware Diffusion Framework for TSE from Sparse Observations
Department of Civil, Environmental, and Geo- Engineering, University of Minnesota, 500 Pillsbury Dr. SE, Minneapolis, MN 55455, USA(土木、环境与地球工程系,明尼苏达大学);Univ. Gustave Eiffel, ENTPE, EMob-Lab, Lyon, F-69675, France(格勒诺布尔伊夫·欧贝尔大学,ENTPE,EMob-Lab,法国里昂)
PMA-Diffusion通过结合掩码感知扩散先验和物理引导后验采样器,有效重建稀疏观测下的交通流状态。
2025-12-05 cs.LG
Spatio-Temporal Point Processes with Attention for Traffic Congestion Event Modeling
我们提出了一个新的框架,道路网络上的交通拥堵事件建模。通过将交通传感器的计数数据与报告交通事件的警察报告相结合,使用多模态数据,我们的目标是捕获两种类型的拥堵事件的触发效应。一个地点当前的交通拥堵可能会导致道路网络未来的拥堵,而交通事故可能会导致交通拥堵的蔓延。为了模拟事件对过去的非均匀时间依赖性,我们使用了一种基于神经网络嵌入点过程的新的基于注意力的机制。为了将道路网络引起的方向性空间依赖性,我们将空间统计背景下的“尾部”模型应用于交通网络设置。我们证明了我们的方法的优越性能相比,国家的最先进的方法合成和真实的数据。
2021-05-31 cs.LG stat.AP stat.ML
Feature Group Tabular Transformer: A Novel Approach to Traffic Crash Modeling and Causality Analysis
本研究针对交通事故建模的可靠性与可解释性需求,提出特征组表格Transformer(FGTT)模型,通过多源融合数据预测碰撞类型,在基准测试中优于常用树集成模型,还能揭示关键影响因素以辅助事故因果分析。
2025-01-11 cs.AI cs.LG stat.AP
Metropolis-Scale Road Network Datasets for Fine-Grained Urban Traffic Modeling
HSE University(俄罗斯高等经济大学);Yandex Research(Yandex研究院);BRAIn Lab(BRAIn实验室)
本文提出两个主要城市精细化道路网络数据集,用于解决大规模交通预测中的挑战,提供高分辨率的时间序列数据和丰富的静态道路属性。
2026-05-15 cs.LG
Estimating Traffic Speeds using Probe Data: A Deep Neural Network Approach
BMW Group(宝马集团);Mobility Technologies(移动技术公司);Technical University of Munich (TUM)(慕尼黑工业大学)
本文提出了一种专用的深度神经网络(DNN)架构,该架构可以在给定稀疏数据的情况下重建高速公路上的时空交通速度。DNN的构建方式是使用稀疏速度数据的大型数据集(特别是来自探测车辆的数据集)来学习异构拥塞模式。DNN的输入是两个大小相等的输入矩阵:一个包含原始测量数据,另一个表示被数据占用的单元。DNN包括具有编码-解码结构和前馈路径的多个堆叠卷积层,将输入转换为完整的流量速度矩阵。所提出的DNN架构进行评估,其准确地重建异构拥塞模式下不同的输入数据稀疏的能力。因此,一个大的经验浮动车数据(FCD)收集的德国A9高速公路在两个月内被利用。总共观察到43种不同的拥塞情况,包括移动和静止拥塞模式。应用数据增强技术来生成数据的输入-输出样本,这使得DNN移位不变并且能够管理变化的数据稀疏性。DNN经过训练,随后应用于不可见拥塞场景的稀疏数据。结果表明,DNN能够应用学习到的模式,并以高精度重建移动和静止的拥塞流量;即使给定高度稀疏的输入数据。重建的速度进行了比较,定性和定量的几个国家的最先进的方法,如自适应平滑方法(ASM),基于相位的平滑方法(PSM)和一个标准的卷积神经网络(CNN)架构的结果。因此,DNN明显优于其他方法。
2021-04-19 cs.LG
Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach
Tongji University(同济大学);Beihang University(北京航空航天大学)
针对交通传感器数据稀疏、噪声高导致的全网速度估计难题,提出融合三类时空关联的拉普拉斯增强低秩张量补全框架,在百万级数据集上实现低观测率下的最优估计且计算耗时减半。
2023-05-28 cs.LG stat.ML
Scale-Disentangled spatiotemporal Modeling for Long-term Traffic Emission Forecasting
本文提出尺度解耦时空建模框架SDSTM,通过Koopman算子与门控小波分解实现多尺度特征解耦融合,并利用双流独立性约束提升长期交通排放预测精度。
2025-08-16 cs.LG
Adaptive Modeling of Uncertainties for Traffic Forecasting
深度神经网络(DNN)已经成为开发流量预测模型的主要方法。这些模型通常经过训练,以最小化平均测试用例的误差,并产生单点预测,例如交通速度或行驶时间的标量值。然而,单点预测无法解释预测的不确定性,这对于许多运输管理场景至关重要,例如确定最佳或最差情况下的到达时间。我们提出了QuanTraffic,这是一个通用框架,可以增强任意DNN模型的不确定性建模能力。QuanTraffic几乎不需要人工参与,并且在部署过程中不会改变DNN的基础架构。相反,它在DNN模型训练期间自动学习标准分位数函数,以产生单点预测的预测区间。预测间隔定义了业务预测的真实值可能落入的范围。此外,QuanTraffic开发了一种自适应方案,该方案根据测试输入的位置和预测窗口动态调整预测间隔。我们通过将QuanTraffic应用于五个代表性的DNN模型,在七个公共数据集上进行流量预测来评估QuanTraffic。然后,我们比较了QuanTraffic对五个不确定性量化方法。与基线不确定性建模技术相比,具有基本DNN架构的QuanTraffic在报告的数据集上提供了比现有技术更好和更强大的性能。
2023-03-16 cs.LG
Predicting Traffic Congestion at Urban Intersections Using Data-Driven Modeling
针对城市交叉口交通拥堵问题,本研究利用含4800个交叉口的商用车行程记录数据集,结合27个基础特征与额外环境、地理特征,通过数据驱动建模开发预测模型,助力城市规划者预测交通热点与优化运营。
2024-11-27 cs.LG
Modeling Severe Traffic Accidents With Spatial And Temporal Features
New York University(纽约大学);University of Texas at Dallas(德克萨斯大学达拉斯分校)
我们提出了一种方法来估计交通事故的严重程度,在汇总(区域级)和分解(点级)的数据。探索空间特征,我们衡量道路网络的复杂性,使用几个区域级变量。还使用纽约市开放数据的时间和其他情景特征,我们使用梯度提升模型进行推理和测量特征重要性,以及高斯过程来建模数据中的空间依赖性。结果表明,聚合模型的复杂性以及预测中的其他特征具有重要意义,这可能有助于制定预防严重交通事故和伤害的政策和针对性干预措施。
2019-06-25 cs.LG stat.ML
Physics-Embedded Gaussian Process for Traffic State Estimation
Department of Civil and Environmental Engineering, University of Washington(土木与环境工程系,华盛顿大学)
本文提出融合物理的高斯过程用于交通状态估计,通过引入经典交通流模型构建多输出内核,提升稀疏观测下的可靠性及密集观测下的精度。
2025-12-03 cs.LG
Forecasting at Full Spectrum: Holistic Multi-Granular Traffic Modeling under High-Throughput Inference Regimes
School of Computing, Korea Advanced Institute of Science and Technology (KAIST)(计算学院,韩国科学技术院)
针对现有GCN无法充分融合多粒度特征且推理慢的问题,提出雾分布式推理系统MultiGran-STGCNFog及调度算法GA-DPHDS,实现高效多粒度时空特征融合并显著提升推理吞吐量。
2025-08-09 cs.LG
Closed-Loop Neural Operator-Based Observer of Traffic Density
Division of Decision and Control Systems, Digital Futures, KTH Royal Institute of Technology(决策与控制系统系,数字未来,皇家理工学院)
针对路边固定传感器稀疏测量下的交通密度估计问题,提出结合傅里叶神经算子开环预测与校正算子的闭环观测器,经SUMO仿真验证其具备噪声鲁棒性与误差有界性,为数据驱动观测器设计提供新思路。
2025-09-04 cs.LG math.OC
Spatial-temporal traffic modeling with a fusion graph reconstructed by tensor decomposition
Guangxi University(广西大学);Beijing Institute of Technology(北京理工大学);Sichuan University(四川大学)
准确的时空交通流预测对于帮助交通管理者采取控制措施和驾驶员选择最优出行路径至关重要。近年来,图卷积网络(GCN)由于其强大的时空相关性捕捉能力而被广泛应用于交通流预测。时空图邻接矩阵的设计是GCN成功的关键,目前仍是一个悬而未决的问题。提出了一种基于张量分解的二进制邻接矩阵重构方法,并提出了一种交通流预测方法。首先,我们将时空融合图邻接矩阵转化为三向邻接张量。然后,我们通过Tucker分解重建邻接张量,其中更多的信息和全局时空依赖性被编码。最后,时空同步图卷积模块的局部时空相关性学习和全局相关性学习的扩张卷积模块组装的道路网络的综合时空依赖性的聚合和学习。在四个开放获取数据集上的实验结果表明,该模型在预测性能和计算成本方面优于最先进的方法。
2022-12-12 cs.LG
Network-Scale Traffic Modeling and Forecasting with Graphical Lasso and Neural Networks
East China Normal University(华东师范大学)
交通流预测,特别是短时交通流预测,是智能交通系统(ITS)中的一个重要研究课题。本文对短时交通流的网络规模建模与预测进行了大量的研究。首先,我们提出了单路段和多路段交通流预测模型的概念。其次,我们将这两个模型与单任务学习和多任务学习相结合,构建了四个预测模型。多环节模型和多任务学习的结合不仅提高了实验效率,而且提高了预测精度。此外,提出了一种新的多环节单任务方法,结合图形套索(GL)和神经网络(NN)。GL提供了一种解决涉及大量变量的问题的通用方法。使用L1正则化,GL利用稀疏逆协方差矩阵构建稀疏图形模型。此外,高斯过程回归(GPR)是贝叶斯机器学习中的经典回归算法。虽然探地雷达的研究已经很广泛,但在交通流预测中的应用还很少。本文将探地雷达应用于交通流预测,并展示了其潜力。通过充分的实验,我们比较了所有提出的方法,并作出了全面的评价。
2017-12-25 cs.LG stat.ML
Unified Spatio-Temporal Modeling for Traffic Forecasting using Graph Neural Network
Independent University Bangladesh(孟加拉独立大学)
近年来,用于预测交通强度的深度学习模型的研究受到了极大的关注,因为它们能够捕获交通数据中复杂的时空关系。然而,大多数最先进的方法已经设计了仅空间(例如,图神经网络)和仅时间(例如,递归神经网络)模块来分别提取空间和时间特征。然而,我们认为,这是不太有效的提取复杂的时空关系与这种因式分解模块。此外,现时大部分的研究都是根据当日前一小时的交通数据,来预测某一时段的交通强度。从而忽略可能存在于最后一小时数据中的重复的每日/每周模式。因此,我们提出了一个统一的时空图卷积网络(USTGCN)的交通预测,通过不同的时间戳节点之间的直接信息传播的帮助下,频谱图卷积的时空图上进行空间和时间的聚合。此外,它还可以捕获前几天的历史每日模式和当前交通数据中的当前模式。最后,我们通过实验分析验证了我们的工作的有效性,这表明,我们的模型USTGCN可以优于国家的最先进的性能在三个流行的基准数据集的性能测量系统(PeMS)。此外,我们提出的USTGCN模型的训练时间显着减少。
2021-04-28 cs.LG
Meta Dynamic Graph for Traffic Flow Prediction
本文提出元动态图框架,通过动态图结构建模交通流的时空动态,解决传统方法在动态建模和异质性捕捉上的局限性。
2026-01-15 cs.LG
From Time Series to State: Situation-Aware Modeling for Air Traffic Flow Prediction
Ocean University of China(中国海洋大学);Sanya Oceanographic Institution(三亚海洋研究所)
本文提出AeroSense模型,通过直接建模微观航空器状态,提升空域流量预测的精度与鲁棒性,验证了直接处理状态信息优于传统时间序列方法。
2026-04-16 cs.LG
Revisiting Flow Information for Traffic Prediction
Shanghai Jiao Tong University(上海交通大学)
交通预测是许多实际应用中的一项基本任务,其目的是预测城市任何区域未来的交通量。从本质上讲,一个地区的交通量是来自/进入该地区的交通流量的总和。然而,现有的交通预测方法主要集中于对复杂的时空交通相关性进行建模,而很少研究区域间原始交通流的影响。在本文中,我们重新审视交通流量信息,并利用区域之间的直接流量相关性,以实现更准确的交通预测。我们引入了一种新的流量感知图卷积来模拟区域之间的动态流量相关性。我们进一步引入了一个集成的门控递归单元网络,将流的相关性与时空建模。在真实交通数据集上的实验结果验证了该方法的有效性,尤其是在流量变化较大的交通条件下。
2019-06-03 cs.LG eess.SP
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
Heteroscedastic Gaussian processes for uncertainty modeling in large-scale crowdsourced traffic data
Technical University of Denmark (DTU)(丹麦技术大学);Massachusetts Institute of Technology (MIT)(麻省理工学院)
准确建模交通速度是高效智能交通系统的基本组成部分。如今,随着全球定位系统设备的广泛部署,已经可以将速度信息的收集众包给道路使用者(例如,通过移动应用程序或专用车载设备)。尽管众包速度数据的空间覆盖范围相当广,但也带来了非常重要的挑战,例如由于各种驾驶行为和样本量,数据中的测量噪声高度可变。如果不加以适当考虑,这种噪声可能会严重损害任何依赖准确流量数据的应用程序。在这篇文章中,我们提出了使用异方差高斯过程(HGP)来模拟大规模众包交通数据中的时变不确定性。此外,我们开发了一个HGP条件下的样本量和交通状况(SRC-HGP),它利用样本量信息(探测车辆每分钟)以及以前观察到的速度,为了更准确地模拟观察到的速度的不确定性。使用来自哥本哈根的6个月的众包交通数据,我们的经验表明,与目前最先进的速度估算和短期预测任务相比,所提出的异方差模型产生了更好的预测分布。
2018-12-20 cs.LG stat.ML
Modeling Headway in Heterogeneous and Mixed Traffic Flow: A Statistical Distribution Based on a General Exponential Function
Texas A&M University(德克萨斯A&M大学)
本文提出一种基于实数底指数函数并归一化的新型车头时距分布,在五个开放数据集上验证其优于六种现有分布,能更灵活准确地刻画异质与混合交通流中的车头时距特征。
2025-11-05 cs.LG stat.AP
Macroscopic Traffic Flow Modeling with Physics Regularized Gaussian Process: A New Insight into Machine Learning Applications
University of Utah(犹他大学)
尽管近年来机器学习(ML)技术在交通流建模中得到了广泛的应用,但这些数据驱动的方法在数据集较小或有噪声的情况下往往无法达到准确性。为了解决这个问题,本研究提出了一种新的建模框架,命名为物理正则化机器学习(PRML),编码经典的交通流模型(称为物理模型)到ML架构和正则化ML训练过程。更具体地说,随机物理正则化高斯过程(PRGP)模型的开发和贝叶斯推断算法被用来估计的平均值和核的PRGP。基于宏观交通流模型的物理正则化器也被开发,以增加通过阴影GP和增强的潜在力模型的估计被用来编码到随机过程的物理知识。基于后验正则化推理框架,一个有效的随机最优化算法也被开发,以最大化系统似然的证据下界。为了证明所提出的模型的有效性,本文进行了实证研究的一个真实世界的数据集,这是从一个延伸的I-15高速公路,犹他州。结果表明,新的PRGP模型在估计精度和输入鲁棒性方面优于以往的兼容方法,如校准的纯物理模型和纯机器学习方法。
2020-02-06 cs.LG stat.ML
Macroscopic Traffic Flow Modeling with Physics Regularized Gaussian Process: Generalized Formulations
Dalian Maritime University(大连海事大学);University of Utah(犹他大学)
尽管经典业务流(例如,二阶宏观)模型和数据驱动(例如,机器学习- ML)方法在交通状态估计中的应用,这些方法要么需要大量的参数校准,要么缺乏理论解释。为了填补这一研究空白,本研究提出了一种新的建模框架,命名为物理正则化高斯过程(PRGP)。这种新颖的方法可以编码物理模型,即,经典的业务流模型,到高斯过程架构,以便正则化ML训练过程。特别地,本研究旨在讨论当原始物理模型具有离散形式时,如何建立PRGP模型。然后基于后验正则化推理框架,提出了一种有效的随机最优化算法来最大化系统似然的证据下界。为了证明所提出的模型的有效性,本文进行了实证研究的真实世界的数据集,从一个延伸的I-15高速公路,犹他州。结果表明,新的PRGP模型在估计精度和输入鲁棒性方面优于以往的兼容方法,如校准物理模型和纯机器学习方法。
2022-03-19 cs.LG eess.SP stat.ML
Modeling Spatial Nonstationarity via Deformable Convolutions for Deep Traffic Flow Prediction
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Xiamen University(厦门大学);National University of Singapore(新加坡国立大学)
深度神经网络正越来越多地用于短期交通流量预测,通常可分类为卷积神经网络(CNN)或图神经网络(GNN)。通过利用局部空间相关性,CNN对于区域交通预测是优选的,而GNN对于图结构的交通数据实现了更好的性能。当应用于区域交通预测时,CNN通常将底层区域划分为网格状空间单元,并采用标准卷积来学习单元之间的空间依赖性。然而,具有固定几何结构的标准卷积不能完全模拟本地交通流的非平稳特性。为了克服这一不足,我们引入了可变形卷积,通过额外的偏移量来增加空间采样位置,以增强空间非平稳性的建模能力。在此基础上,我们设计了一个深度可变形卷积残差网络,即DeFlow-Net,它可以有效地建模流量的全局空间依赖性,局部空间非平稳性和时间周期性。此外,为了更好地适应卷积,我们建议首先根据预先设想的区域或自组织区域的基础上的交通流量聚集的交通流量,然后处理成顺序组织的光栅图像的网络输入。对真实世界流量的广泛实验表明,DeFlow-Net使用标准卷积优于GNN和现有CNN,并且通过预先设想的区域或自组织区域进行空间分区进一步提高了性能。我们还展示了DeFlow-Net在保持空间自相关性方面的优势,并揭示了分区形状和尺度对深层交通流预测的影响。
2021-10-08 cs.CV cs.DB cs.LG
Decentralized Data Fusion and Active Sensing with Mobile Sensors for Modeling and Predicting Spatiotemporal Traffic Phenomena
National University of Singapore(新加坡国立大学);Singapore-MIT Alliance for Research and Technology(新加坡-麻省理工学院研究与技术联盟);MIT(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学);University of Southern California(南加州大学)
城市道路网络中的时空交通现象建模与预测问题在交通热点检测与预测等应用中具有重要意义。本文提出了一种分布式数据融合和主动感知(D2FAS)算法,移动传感器主动探索道路网络,收集和同化最具信息量的数据,用于预测交通现象。我们分析了D2FAS的时间和通信复杂性,并证明了它可以很好地扩展大量的观察和传感器。我们提供了一个理论上的保证,其预测性能相当于一个复杂的集中式稀疏近似高斯过程(GP)模型:这样一个稀疏近似GP模型的计算,因此可以并行化和分布在移动传感器(在一个类似谷歌的MapReduce范式),从而实现高效和可扩展的预测。我们还从理论上保证了其在各种实际环境条件下的主动传感性能。对真实城市道路网络数据的实证评估表明,我们的D2FAS算法比最先进的集中式算法具有更高的时间效率和可扩展性,同时实现了相当的预测性能。
2012-06-28 cs.AI cs.DC cs.LG
Modeling IoT Traffic Patterns: Insights from a Statistical Analysis of an MTC Dataset
University of Oulu(奥卢大学);Universidad Tecnológica Metropolitana(都市科技大学)
本文基于奥卢大学Smart Campus MTC数据集,通过多种拟合优度检验对周期性更新和事件驱动两类MTC流量进行统计建模,验证了泊松点过程模型和准周期模型分别以低于11%和7%的误差准确刻画相应流量模式。
2024-09-03 cs.LG cs.SY eess.SY
Observation-Aligned Two-Stage Domain Decomposition for Physics-Informed Traffic State Estimation with Sparse Fixed Sensors
Lyles School of Civil and Construction Engineering, Purdue University(普渡大学土木与建设工程学院)
本文提出自适应域分解物理信息神经网络(ADD-PINN),通过残差引导框架实现基于LWR模型的离线速度场重建,在稀疏传感器数据下取得更低的L2误差和更快的训练速度。
2026-09-04 cs.LG cs.SY eess.SY
Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized Gaussian Process Approach
University of Utah(犹他大学)
在微观层次上对车辆跟驰和换道等随机交通行为进行建模,是理解交通流中车辆之间相互作用的关键。利用物理正则化高斯过程(PRGP)理论,提出了一种能够捕捉真实世界中的随机性和度量误差的随机微观流量模型。将经典跟驰模型中的物理知识转化为多变量PRGP的物理正则化子,以阴影高斯过程的形式表示,提高建模精度。更具体地说,一个贝叶斯推断算法被开发来估计平均值和核的GP,和一个增强的潜在的力量模型被制定到随机过程编码的物理知识。同时,基于后验正则化推理框架,提出了一种有效的随机最优化算法来最大化系统似然的证据下界。为了评估所提出的模型的性能,本研究进行了实证研究,从NGSIM数据集的真实世界的车辆轨迹。由于所提出的框架的一个独特的功能是捕捉车辆跟随和换道行为与一个单一的模型的能力,数值测试进行了两个单独的数据集,一个包含换道机动,另一个不。结果表明,该方法在估计精度上优于以往有影响的方法。
2020-07-17 cs.LG eess.SP stat.ML
Macroscopic Emission Modeling of Urban Traffic Using Probe Vehicle Data: A Machine Learning Approach
Youngstown State University(扬斯敦州立大学);University of Maryland(马里兰大学)
针对历史数据限制导致实证eMFD模型稀缺的问题,本研究利用浮动车的大规模细粒度数据,首次大规模应用机器学习方法预测美国城市全网排放率与交通的关系,生成数据驱动eMFD并揭示其位置依赖性,助力交通部门优化决策以减排。
2025-11-11 cs.CY cs.LG
Traffic State Estimation from Vehicle Trajectories with Anisotropic Gaussian Processes
University of Alberta(阿尔伯塔大学);McGill University(麦吉尔大学)
本文提出基于核旋转重参数化的各向异性高斯过程方法,用于从稀疏车辆轨迹或环形检测器数据中填补交通状态并量化不确定性,在 5%–50% 观测率下实现高精度估计。
2024-04-02 cs.LG stat.AP
Deep Sequence Modeling for Anomalous ISP Traffic Prediction
University of Western Ontario(西安大略大学);Juniper Networks(瞻博网络)
现实世界中的互联网流量容易受到各种外部和内部因素的影响,这些因素可能会突然改变正常的流量。这些意外的变化被认为是流量中的异常值。然而,深度序列模型已被用于预测复杂的IP流量,但它们对异常流量的比较性能尚未得到广泛研究。在本文中,我们研究和评估不同的深度序列模型的异常流量预测的性能。实现了几种深度序列模型来预测不含和含异常值的真实流量,并显示了异常值检测在真实流量预测中的重要性。首先,两种不同的离群值检测技术,如三西格玛规则和隔离森林,被用来识别异常。其次,在训练模型之前,我们使用反向填充技术调整了这些异常数据点。最后,不同的模型的性能进行了比较,异常和调整流量。LSTM_Encoder_Decoder(LSTM_En_De)是我们实验中最好的预测模型,在调整离群值后,实际流量和预测流量之间的偏差减少了11%以上。所有其他模型,包括递归神经网络(RNN)、长短期记忆(LSTM)、带注意力层的LSTM_En_De(LSTM_En_De_Atn)、门控递归单元(GRU),在替换离群值后显示出更好的预测,预测误差分别降低了29%、24%、19%和10%以上。我们的实验结果表明,数据中的离群值可以显着影响预测的质量。因此,离群值检测和缓解有助于深度序列模型学习总体趋势并做出更好的预测。
2022-05-03 cs.LG cs.NI eess.SP
Neural-Attention-Based Deep Learning Architectures for Modeling Traffic Dynamics on Lane Graphs
University of California, Berkeley(加州大学伯克利分校);Leibniz Universität Hannover(莱布尼茨汉诺威大学)
本文提出了一种基于神经注意力的深度学习架构,用于建模车道图上的交通动态,通过显式编码车道间的关系类型来提高预测性能,并展示了该模型在复杂道路网络中的迁移能力。
2019-07-14 cs.LG cs.SY eess.SY
Accident Risk Prediction based on Heterogeneous Sparse Data: New Dataset and Insights
The Ohio State University(俄亥俄州立大学)
减少交通事故是一项重要的公共安全挑战,因此,在过去的几十年里,事故分析和预测一直是许多研究的主题。现有研究的主要缺点是使用覆盖范围有限的小规模数据集,依赖于广泛的数据集,不适用于实时目的。为了解决这些挑战,我们提出了一种使用易于获取但稀疏的数据进行实时交通事故预测的新解决方案。我们的解决方案依赖于深度神经网络模型(我们将其命名为DAP,用于深度事故预测);该模型利用各种数据属性,如交通事件,天气数据,兴趣点和时间。DAP集成了多个组件,包括一个循环组件(用于时间敏感数据)、一个全连接组件(用于时间不敏感数据)和一个可训练的嵌入组件(用于捕获空间异质性)。为了填补这一数据空白,我们通过全面的数据汇集、整合和扩充过程,创建了一个名为“美国事故”的大型事故信息公开数据库。通过使用美国事故数据集,并通过在几个大城市进行广泛的实验,我们对几个基线进行了评估。我们的分析和结果表明,在预测罕见事故事件方面有了显着改进。此外,我们还展示了交通信息、时间和兴趣点数据对实时事故预测的影响。
2019-09-19 cs.DB cs.LG stat.ML
Joint Modeling of Dense and Incomplete Trajectories for Citywide Traffic Volume Inference
The Pennsylvania State University, USA(宾夕法尼亚州立大学,美国);Tencent AI Lab(腾讯AI实验室);Yantai University, China(烟台大学,中国);University of Central Florida, USA(中佛罗里达大学,美国);University of Science and Technology of China, China(中国科学技术大学,中国);Intellifusion Inc.(Intellifusion公司,美国(注:根据常见翻译补充,原文本未明确国家,但机构名本身为Intellifusion Inc.))
实时交通量推断是智能城市的关键。这是一项具有挑战性的任务,因为只能在安装传感器的某些位置测量道路上的准确交通量。此外,由于天气、事件、假日等的影响,交通随着时间的推移而演变。现有的交通量推断问题的解决方案通常依赖于密集的GPS轨迹,这不可避免地不能考虑没有携带GPS设备或将其关闭的车辆。因此,结果偏向于出租车,因为它们几乎总是在线进行GPS跟踪。在本文中,我们提出了一个新的框架,全市范围内的交通量推断使用密集的GPS轨迹和摄像头监控系统捕获的不完整的轨迹。我们的方法采用高保真交通模拟器和深度强化学习来从不完整的轨迹中恢复完整的车辆运动。为了联合建模恢复的轨迹和密集的GPS轨迹,我们构建时空图,并使用多视图图嵌入编码到实值向量的路段之间的多跳相关性。最后,我们推断全市范围内的交通量的监测路段的交通值传播到未监测的通过掩蔽成对相似。在中国一个省会城市的两个大区域的广泛实验验证了我们的方法的有效性。
2019-02-25 cs.LG cs.SI stat.ML
TraLFM: Latent Factor Modeling of Traffic Trajectory Data
Shandong University(山东大学);York University(约克大学);Wilfrid Laurier University(劳里埃大学)
定位装置的广泛使用(例如,GPS)已经产生了大量的人类运动数据,通常以轨迹的形式。了解人类移动模式可以使许多基于位置的应用程序受益。在本文中,我们提出了一种新的生成模型称为TraLFM通过潜在因素建模挖掘人类流动模式的交通轨迹。TraLFM基于三个关键观察:(1)人类移动模式由轨迹中的位置序列反映;(2)人类移动模式因人而异;(3)人类移动模式往往是周期性的,并随时间而变化。因此,TraLFM模型的联合行动的顺序,个人和时间因素在一个统一的方式,并带来了新的视角,许多应用,如潜在因素分析和下一个位置预测。我们在两个真实数据集上进行了深入的实证研究,实验结果证实TraLFM在这些应用中显着优于最先进的方法。
2020-03-16 cs.LG cs.SI stat.ML
Non-recurrent Traffic Congestion Detection with a Coupled Scalable Bayesian Robust Tensor Factorization Model
School of Mechanical Engineering, Beijing Institute of Technology(北京理工大学机械工程学院);School of Transportation Engineering, Southeast University(东南大学交通工程学院);Faculty of Momenta(Momenta学院);McGill University(麦吉尔大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
非重现性交通拥堵(NRTC)通常会给通勤者带来意想不到的延误。因此,以实时的方式准确地检测和识别NRTC是至关重要的。道路交通检测器和环路检测器的发展为研究人员提供了大规模的多变量时空交通数据,为深入研究非线性交通流控制提供了条件。然而,它仍然是一个具有挑战性的任务,构建一个分析框架,通过该框架可以有效地表示和利用多变量交通信息的自然时空结构特性,以更好地理解和检测NRTC。在本文中,我们提出了一种新的分析训练免费框架的基础上耦合可扩展贝叶斯鲁棒张量分解(耦合SBRTF)。该框架可以通过共享相似或相同的稀疏结构来耦合多变量交通数据,包括交通流量、道路速度和占用率。而且,它自然地捕获的高维时空结构特性的交通数据的张量因式分解。该框架的共享稀疏结构包含了足够丰富的NRTC信息,其条目揭示了NRTC的分布和大小。而框架的低秩部分则将总体期望交通状况的分布作为辅助产品来表达。在真实交通数据上的实验结果表明,该方法在NRTC检测中的性能优于耦合贝叶斯鲁棒主成分分析(耦合BRPCA)、秩稀疏张量分解(RSTD)和标准正态偏差(SND).当只利用工作日的交通数据时,所提出的方法表现得更好,因此可以为日常通勤者提供更精确的NRTC估计。
2020-05-10 cs.CV cs.LG physics.soc-ph