面向未采样位置的交通流的混合归纳-归纳网络
机器学习
2025-12-23 v1 人工智能
摘要
准确推断未感知位置的交通流较难：环形探测器提供精确但稀疏的测量，探针车速广泛可用但仅与流量呈弱相关，而相邻链路常在流量尺度上表现出强异质性 (例如坡道 vs. 主干道)，这破坏了标准图神经网络的假设。我们提出 HINT，一种混合归纳-归纳网络，以及一种 INDU-TRANSDUCTIVE 训练策略，将速度作为 transductive、全网信号学习流量，以归纳方式推广至未知位置。HINT 组合 (i) 学习自节点特征中基于相似性的长程相互作用的归纳空间转换器，(ii) 基于 FiLM 的扩散 GCN，利用丰富的静态上下文 (OSM 派生属性和交通仿真)，以及 (iii) 针对每个路段进行尺度偏差校正的节点级校准层。训练使用掩码重建，采用 epoch 级节点抽样、硬节点挖掘强调难传感器、对可见流量注入噪声以防止恒等映射，图结构基于驾驶距离构建。 在三个真实数据集上，MOW (比利时安特卫普)、UTD19-Torino 和 UTD19-Essen，HINT 持续超过最先进的归纳基线。相对于 KITS，HINT 在 MOW 上通过基本仿真降低 MAE 约 42%，通过校准仿真降低 MAE 约 50%；在 Torino 上降低约 22%，在 Essen 上降低约 12%。即使不使用仿真，HINT 在 MOW 和 Torino 上仍优于基线，而在 Essen 上仿真至关重要。这些结果表明，结合归纳流量插值与 transductive 速度、交通仿真和外部地理信息，能提高该任务的准确率。
引用
@article{arxiv.2512.17984,
title = {A Hybrid Inductive-Transductive Network for Traffic Flow Imputation on Unsampled Locations},
author = {Mohammadmahdi Rahimiasl and Ynte Vanderhoydonc and Siegfried Mercelis},
journal= {arXiv preprint arXiv:2512.17984},
year = {2025}
}
备注
10 pages, 8 figures, 3 tables