DiSGMM：路网时变微观权重补全方法
机器学习
2026-04-01 v1
摘要
路网微观权重表示由单个车辆获取的细粒度、时变交通状况，例如车辆经过路段时关联的行驶速度。这些权重支撑交通微观仿真和带可靠性保障的车辆路径规划等任务。我们研究了时变微观权重补全问题。在一时间槽中，可用的权重通常仅覆盖部分路段。权重补全恢复当前时间槽中每个路段的权重分布。该问题涉及两个挑战：(i) 应对两层稀疏性，即权重在网络层（许多路段缺少权重）和路段层（某路段可能缺乏足够权重以实现准确的分布估计）均缺失；(ii) 实现闭式且能灵活捕捉复杂条件的权重分布表示，包括重尾和多个簇。为应对这些挑战，我们提出DiSGMM，将稀疏感知嵌入与时空建模相结合，利用稀疏已知权重以及学习到的路段特性和长程相关性进行分布估计。DiSGMM将微观权重分布表示为可学习的高斯混合模型，提供能灵活捕捉复杂条件的闭式分布。在两个真实数据集上的实验表明，DiSGMM可超越最先进方法。
引用
@article{arxiv.2603.29837,
title = {DiSGMM: A Method for Time-varying Microscopic Weight Completion on Road Networks},
author = {Yan Lin and Jilin Hu and Shengnan Guo and Christian S. Jensen and Youfang Lin and Huaiyu Wan},
journal= {arXiv preprint arXiv:2603.29837},
year = {2026}
}