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
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
IncidentNet: Traffic Incident Detection, Localization and Severity Estimation with Sparse Sensing
Arizona State University(亚利桑那州立大学);School for Engineering of Matter, Transport and Energy(物质、运输与能源工程学院);School of Computing and Augmented Intelligence(计算与增强智能学院)
本文提出 IncidentNet,利用深度学习在稀疏传感器条件下实现交通事件分类、定位与严重程度估计,并构建微观交通合成数据集,检测率达 98%、误报率低于 7%。
2024-08-02 cs.AI cs.LG
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
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
Spatial-Temporal Attention Model for Traffic State Estimation with Sparse Internet of Vehicles
针对车联网数据全量处理开销高的问题,提出基于卷积保留网络CRNet的时空注意力框架,利用稀疏车联网数据实现低成本高精度的交通状态估计,经真实数据集验证具备实用性。
2024-07-15 cs.AI 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
A Prescriptive Framework for Determining Optimal Days for Short-Term Traffic Counts
South Carolina State University(南卡罗来纳州立大学);North Carolina A&T State University(北卡罗来纳州A&T州立大学)
本研究提出了一种机器学习框架,用于确定最佳日期进行短期交通计数,以提高AADT预测精度,减少数据收集成本。
2025-12-05 cs.LG
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
Learning to Simulate on Sparse Trajectory Data
Pennsylvania State University(宾夕法尼亚州立大学);Shanghai Jiao Tong University(上海交通大学)
对现实世界交通的模拟可以用来帮助验证交通策略。一个好的模拟器意味着模拟的交通与真实世界的交通相似,这通常需要密集的交通轨迹(即,具有高采样率)以覆盖真实世界中的动态情况。然而,在大多数情况下,真实世界的轨迹是稀疏的,这使得模拟具有挑战性。在本文中,我们提出了一个新的框架ImInGAIL来解决学习的问题,从稀疏的真实世界的数据来模拟驾驶行为。所提出的架构将数据插值与模仿学习的行为学习过程相结合。据我们所知,我们是第一个解决行为学习问题的数据稀疏性问题。我们在驾驶车辆的合成和真实轨迹数据集上研究了我们的框架,表明我们的方法优于各种基线和最先进的方法。
2021-03-22 cs.AI cs.LG
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
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
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
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
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
Data-Driven Transfer Learning Framework for Estimating Turning Movement Counts
Pima Association of Governments(皮马政府协会);University of Washington(华盛顿大学)
本研究针对不同交叉口交通模式差异导致机器学习模型泛化性差的问题,提出结合交通控制器事件数据、道路数据和POI数据的迁移学习框架以估计转向流量,在30个交叉口测试中误差低于8种主流回归模型。
2024-12-13 cs.LG
Domain Adaptation Framework for Turning Movement Count Estimation with Limited Data
Pima Association of Governments(皮马政府协会);University of Washington(华盛顿大学)
提出一种利用域适应技术,基于交通控制器事件数据、道路基础设施和兴趣点数据,在有限数据下估计交叉口转向运动计数的新框架,在图森30个交叉口上取得最低误差。
2025-03-25 cs.LG
Counterfactual Graph Transformer for Traffic Flow Prediction
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
针对交通流预测中模型易继承数据偏差且缺乏可解释性的问题,提出反事实图Transformer(CGT)模型,通过设计扰动掩码生成器获取时空反事实解释并重训模型,在三个真实数据集上实现了更可靠且可解释的预测。
2023-08-01 cs.AI cs.LG
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
Traffic Flow Estimation using LTE Radio Frequency Counters and Machine Learning
Ericsson AB(爱立信公司);Schibsted Media Group(Schibsted传媒集团)
由于对车辆的需求继续超过新道路的建设,我们必须实施改善现有运输基础设施利用率的战略。交通传感器是许多此类策略的重要组成部分,为我们提供了对道路利用率的宝贵见解。然而,由于与交通传感器的安装和维护相关的成本和交货时间,市政当局和交通当局正在寻找更便宜和更可扩展的替代方案。由于其无处不在的性质和广泛的全球部署,蜂窝网络提供了一种这样的替代方案。在本文中,我们提出了一种新的方法,使用标准化的LTE/4G射频性能测量计数器的流量估计。该问题被转换为使用经典和深度学习方法的监督回归任务。我们进一步应用迁移学习来补偿许多位置缺乏可用于训练的交通传感器数据。我们表明,我们的方法受益于应用迁移学习来推广解决方案,不仅在时间上,而且在空间上(即,城市的各个部分)。结果非常有希望,与竞争解决方案不同,我们的方法利用聚合LTE射频计数器数据,这些数据本质上是隐私保护的,随时可用,并且在全球范围内扩展,而不会对网络产生任何额外的影响。
2021-01-22 cs.LG eess.SP
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
Effective and Sparse Count-Sketch via k-means clustering
Count-sketch是一种流行的矩阵草图绘制算法,它可以在O(nnz(X))时间内生成输入数据矩阵X的草图,其中nnz(X)表示X中非零元素的数量。草图矩阵将比X小得多,同时保留其大部分属性。因此,计数草图被广泛用于解决机器学习中的高维挑战。但是,计数草图有两个主要的局限性:(1)计数草图所使用的草图矩阵是随机生成的,没有考虑X的任何内在数据属性。这种数据无关的矩阵草图绘制方法可能会产生一个坏的草图矩阵,这将导致后续机器学习任务(例如分类)的准确性低;(2)对于高度稀疏的输入数据,计数草图可能会产生一个密集的草图数据矩阵。这种密集的草图矩阵可能会使后续的机器学习任务在计算上比在原始稀疏数据X上更昂贵。为了解决这两个局限性,我们首先通过分析计数草图方法的重建误差来展示计数草图和k均值聚类之间的有趣联系。在此基础上,提出了利用k-均值聚类算法获得低维草图矩阵的方法,以减小计数草图的重建误差。此外,我们建议解决k均值聚类使用梯度下降与-L1球投影产生一个稀疏的草图矩阵。基于六个真实分类数据集的实验结果表明,该方法比传统的count-sketch算法和其他常用的矩阵绘制算法具有更高的准确率。我们的研究结果还表明,我们的方法产生一个稀疏的草图数据矩阵比其他方法,因此,我们的方法的预测成本将小于其他矩阵草图方法。
2020-11-26 cs.LG
Vehicle-counting with Automatic Region-of-Interest and Driving-Trajectory detection
Lafayette College(拉斐特学院);Universidad Autónoma de Santo Domingo(圣多明各自治大学)
车辆计数系统可以帮助车辆分析和交通事故检测。不幸的是,大多数现有的方法需要一定程度的人工输入来识别感兴趣区域(ROI)、感兴趣的运动,或者建立参考点或参考线以从交通摄像机计数车辆。这项工作介绍了一种方法来计算交通视频中的车辆,自动识别摄像机的ROI,以及车辆的行驶轨迹。这使得该方法可以与在发展中国家经常使用的泛变焦相机一起使用。初步结果表明,该方法实现了平均交叉超过工会的57.05%的ROI和平均绝对误差仅为17.44%,在交通视频摄像机测试计数车辆。
2021-08-21 cs.CV 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
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
Fusing Cellular Network Data and Tollbooth Counts for Urban Traffic Flow Estimation
Department of Engineering Cybernetics(工程控制系);Norwegian University of Science and Technology (NTNU)(挪威科学技术大学);Department of Computer Science(计算机科学系)
本文提出利用蜂窝网络数据与收费站计数融合的方法,通过机器学习框架纠正和细化交通流数据,生成高精度的OD矩阵,为城市交通规划提供支持。
2026-04-17 cs.LG physics.soc-ph
Robust Audio-Based Vehicle Counting in Low-to-Moderate Traffic Flow
Czech Technical University in Prague(布拉格捷克理工大学);Tampere University(坦佩雷大学)
提出了一种基于单声道声音的中低流量车辆计数方法。我们将VC公式化为回归问题,即,我们预测车辆和麦克风之间的距离。所提出的距离函数的最小值对应于经过麦克风的车辆。VC通过预测距离中的局部最小值检测来执行。我们建议将最小检测阈值设置在假阳性和假阴性的概率相吻合的点上,以便它们在统计上相互抵消总车辆数。该方法在包括$422$短、$20$秒单声道声音文件的交通监控数据集上训练和测试,其中总共有$ 1421 $车辆经过麦克风。在训练中未使用的交通位置中的相对VC误差在宽范围的检测阈值内低于$ 2 \%$。实验结果表明,通过引入一种新的高频功率特征,提高了噪声环境下的回归精度。
2020-10-22 cs.LG cs.SD eess.AS
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
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
Comparing the Machine Readability of Traffic Sign Pictograms in Austria and Germany
RISC Software GmbH(RISC软件有限公司);ASFINAG Service GmbH(ASFINAG服务有限公司)
我们比较了奥地利和德国交通标志上的象形图的机器可读性。为此,我们在合成数据集上训练分类模型,并在受控设置中评估其分类精度。特别是,我们专注于目前部署的象形图在这两个国家之间的差异,以及一组新的象形图,旨在提高人类的可读性。除了其他结果,我们发现机器学习模型推广到象形图设计的数据集,他们没有受过训练,我们的结论是,先进的驾驶辅助系统(ADAS)的制造商必须特别注意,以妥善解决当前和新设计的交通标志象形图之间的小视觉差异,以及来自不同国家的象形图之间。
2021-09-06 cs.CV cs.LG
Transposed Variational Auto-encoder with Intrinsic Feature Learning for Traffic Forecasting
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)
在这份技术报告中,我们提出了我们的解决方案,以应对2022年的核心挑战和扩展挑战。在本次比赛中,参赛者需要根据前一小时的车辆计数器数据预测未来15分钟的交通状况。与同系列的其他比赛相比,今年的比赛侧重于不同数据源的预测和稀疏点到边的泛化。为了解决这些问题,我们引入了转置变分自动编码器(TVAE)模型来重建丢失的数据和图形注意力网络(GAT)来加强学习表示之间的相关性。我们进一步应用特征选择来从不同但容易获得的数据中学习交通模式。我们的解决方案在最终排行榜上的两项挑战中均排名第一。源代码可从\url{https://github.com/Daftstone/Traffic4cast}获得
2022-12-15 cs.AI cs.LG
Low-rank on Graphs plus Temporally Smooth Sparse Decomposition for Anomaly Detection in Spatiotemporal Data
Michigan State University(密歇根州立大学)
时空数据的异常检测是高光谱成像、视频监控、城市交通监控等应用中面临的一个具有挑战性的问题。现有的异常检测方法大多适用于序列数据中的点异常,不能处理时空数据中出现的时间和空间依赖性。近年来,已经提出了基于张量的异常检测方法来解决这个问题。这些方法依赖于传统的张量分解模型,不考虑异常的结构,并且是监督或半监督的。我们引入了一种无监督的基于张量的异常检测方法,该方法考虑了异常的稀疏性和时间连续性。特别是,异常检测问题被制定为一个强大的lowrank +稀疏张量分解与正则化项,最大限度地减少稀疏部分的时间变化,使提取的异常是时间持久的。为了降低优化算法的复杂度,我们还用图总变差最小化来近似秩最小化。由此产生的优化问题是凸的,可扩展的,并对丢失的数据和噪声是强大的。综合和真实的时空城市交通数据,并与基线方法相比,建议的框架进行评估。
2020-10-23 cs.DS cs.LG eess.SP
A model for traffic incident prediction using emergency braking data
MBition GmbH(MBition有限公司);Daimler AG(戴姆勒股份公司);Imperial College London(伦敦帝国理工学院)
本文提出了一种交通事件预测模型。具体来说,我们通过在紧急制动事件而不是事故上训练我们的模型来解决道路交通事故预测中数据稀缺的根本问题。基于交通事故的相关风险因素和相应的数据类别,我们评估了不同的预处理方案稀疏数据和不同的机器学习模型。此外,我们提出了一个原型实现的交通事故预测模型,德国的紧急制动数据的基础上,从梅赛德斯-奔驰汽车以及天气,交通和道路数据,分别。经过模型评估和优化,我们发现在人工平衡(欠采样)数据上训练的随机森林模型在原始不平衡数据上提供了85%的最高分类准确率。最后,我们提出了我们的结论,并讨论了进一步的工作,从收集更多的数据在更长的时间内建立更强大的分类系统,以增加内部因素,如驾驶员的视觉和认知注意力。
2021-05-28 cs.CY cs.LG
Bayesian Sparse Covariance Structure Analysis for Correlated Count Data
The University of Electro-Communications(电气通信大学);National Police Agency Info-Communications Bureau(警察厅信息通信局)
在本文中,我们提出了一个贝叶斯图LASSO相关的可数数据,并将其应用于空间犯罪数据。在所提出的模型中,我们假设一个高斯图形模型的潜变量,占主导地位的潜在犯罪风险。为了评估所提出的模型,我们确定了更好地代表样本的最佳超参数。我们应用所提出的模型估计的稀疏逆协方差的潜在变量和评估的部分相关系数。最后,我们说明了犯罪现场数据的结果,并考虑估计的潜在变量和部分相关系数的稀疏逆协方差。
2020-06-05 cs.LG stat.ME
Neural Canonical Polyadic Factorization for Traffic Analysis
College of Computer and Information Science, Southwest University(计算机与信息科学学院,西南大学)
针对智能交通系统中数据缺失影响建模可靠性的问题,提出融合低秩CP分解与深度学习的NCPF模型,通过可解释因子建模与非线性表示优化实现鲁棒交通数据补全,在6个数据集上优于现有基线,支撑交通数字孪生与自适应管控。
2025-09-03 cs.LG stat.ML
Online Inference and Detection of Curbs in Partially Occluded Scenes with Sparse LIDAR
Oxford Robotics Institute (ORI)(牛津机器人研究所);University of Oxford(牛津大学)
道路边界或路缘为自动驾驶汽车提供了解释道路场景和生成行为计划的基本信息。虽然路缘石传达重要信息,但在复杂的城市环境中很难检测到(特别是与道路的其他元素(如交通标志和道路标记)相比)。这些困难来自于其他交通参与者的遮挡以及不断变化的照明和/或天气条件。此外,道路边界具有各种形状、颜色和结构,而运动规划算法需要实时的准确和精确的度量信息来生成它们的规划。在本文中,我们提出了一种实时的基于激光雷达的方法,用于精确检测车辆周围的路边(360度)。我们的方法处理交通和不断变化的环境条件的闭塞。为此,我们将3D LIDAR点云数据投影到2D鸟瞰图像中(类似于逆透视映射)。然后,这些图像由经过训练的深度网络处理,以推断可见和被遮挡的道路边界。最后,后处理步骤过滤检测到的路缘段并随时间跟踪它们。实验结果表明,该方法对真实驾驶数据的有效性。因此,我们相信,我们的基于激光雷达的方法提供了一种高效和有效的方法来检测车辆周围的可见和遮挡的限制在具有挑战性的驾驶场景。
2019-07-11 cs.CV cs.LG cs.RO
Time Series Anomaly Detection; Detection of anomalous drops with limited features and sparse examples in noisy highly periodic data
Google, Inc.(谷歌公司)
Google使用来自行业合作伙伴的连续数据流,以便向用户提供准确的结果。意外的流量下降可能是潜在问题的指示,也可能是需要采取补救措施的早期警告。检测这样的丢弃是不平凡的,因为流是可变的和有噪声的,在流量数据中具有大致规则的尖峰(以许多不同的形状)。我们研究了我们是否可以预测这些数据流中的异常的问题。我们的目标是利用机器学习和统计方法对周期性但有噪声的流量模式中的异常下降进行分类。由于我们没有大量的标记示例来直接应用监督学习进行异常分类,因此我们分两部分处理这个问题。首先,我们使用TensorFlow来训练我们的各种模型,包括DNN、RNN和LSTM,以执行回归并预测时间序列中的期望值。其次,我们创建了异常检测规则,将实际值与预测值进行比较。由于这个问题需要找到持续的异常,而不仅仅是数据中的短暂延迟或瞬间不活动,因此我们的两种检测方法专注于连续的活动部分,而不仅仅是单个点。我们尝试了模型和规则的多种组合,发现使用两种异常检测方法的交集被证明是检测几乎所有模型异常的有效方法。在这个过程中,我们还发现并非所有数据都符合我们的实验假设,因为一个数据流没有周期性,因此没有基于时间的模型可以预测它。
2017-08-11 cs.LG stat.ML
Ground Plane Projection for Improved Traffic Analytics at Intersections
Center of Vision Research (CVR) and Centre for AI & Society (CAIS) at York University(约克大学视觉研究中心(CVR)和人工智能与社会研究中心(CAIS));Vector Institute for Artificial Intelligence(人工智能向量研究所);Region of York(约克地区);York University(约克大学);University of Toronto(多伦多大学)
针对路口转弯流量自动统计任务,本文提出将摄像头检测到的车辆反投影至地平面开展3D坐标分析的方法,单/多摄像头实验均验证该方法可提升轨迹分类与流量统计精度。
2025-11-15 cs.AI cs.CV cs.LG
Leveraging Neo4j and deep learning for traffic congestion simulation & optimization
本文针对传统交通仿真软件洞察有限的问题,将交通拥堵建模到 Neo4j 知识图谱中,结合负载均衡优化算法与 RNN-LSTM 实时预测,实现拥堵传播分析和更准确的路网拥堵估计。
2023-12-09 cs.AI 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
Traffic Data Imputation using Deep Convolutional Neural Networks
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Korea Advanced Institute of Science and Technology(韩国科学技术院);New York University Abu Dhabi(纽约大学阿布扎比分校);New York University Tandon School of Engineering(纽约大学坦登工程学院)
我们提出了一种基于统计学习的交通速度估计方法,使用稀疏的车辆轨迹信息。使用基于卷积编码器-解码器的架构,我们证明了一个训练有素的神经网络可以从时空图中学习时空交通速度动态。我们证明了这一点,一个均匀的路段使用模拟车辆轨迹,然后验证它使用现实世界的数据从NGSIM。我们的研究结果表明,与探头车辆渗透水平低至5\%,所提出的估计方法可以提供一个健全的重建宏观交通速度和再现现实的冲击波模式,这意味着在各种交通条件下的适用性。我们进一步讨论了模型的重建机制,并确认其能力,以区分各种交通行为,如拥挤和自由流的交通状态,过渡动力学,冲击波传播。
2020-01-21 cs.LG eess.SP physics.soc-ph