发表机构
Aix-Marseille University; CNRS; LIS; Université Libre de Bruxelles; WEL Research Institute; University of Leeds; School of Computer Science（艾克斯-马赛大学; 法国国家科学研究中心; 信息科学与系统实验室; 布鲁塞尔自由大学; WEL 研究院; 利兹大学; 计算机学院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
该研究针对城市交通传感器覆盖受限及模型泛化性差的问题，提出模拟驱动的虚拟传感器数据增强方法，在比利时两城市验证了其能保留交通关键特征的有效性。
AI 中文摘要
城市交通管理依赖传感器网络，其空间覆盖范围受部署成本和隐私法规限制。基于此类稀疏数据训练的机器学习模型无法推广到未监测位置，且每当传感器基础设施变化时都必须重新训练。我们提出一种基于模拟的方法来解决该问题，生成增强型交通流量数据集，其中每个物理传感器被替换为道路网络中替代位置处的虚拟传感器。虚拟传感器通过图搜索启发式算法选择，该算法共同最大化原始位置与替代位置之间的车辆流连续性和交通指标相似度，同时强制最小空间位移以确保观测到的交通状况具有多样性。我们在两个比利时城市验证该方法：使用校准模型的布鲁塞尔，以及使用合成模型的那慕尔。增强型数据集保留了双峰日需求曲线和观测位置的交通动态。
英文摘要
Urban traffic management relies on sensor networks whose spatial coverage is limited by deployment costs and privacy regulations. Machine learning models trained on such sparse data cannot generalize to unmonitored locations and must be retrained whenever the sensor infrastructure changes. We propose a simulation-based methodology that addresses this problem by generating augmented traffic count datasets in which each physical sensor is replaced by a virtual sensor placed at a surrogate location in the road network. Virtual sensors are selected by a graph-search heuristic that jointly maximises vehicle-flow continuity and traffic-metric similarity between the original and surrogate locations, while enforcing a minimum spatial displacement to ensure diversity of observed traffic conditions. We validate the method on two Belgian cities: Brussels, using a calibrated model, and Namur, using synthetic models. The augmented datasets preserve the bimodal daily demand profile and the dynamics of traffic at the observed locations.
