基于空间时间图节点生成的道路到车道细粒度交通推断
人工智能
2025-07-28 v1 计算机视觉与模式识别
摘要
细粒度交通管理与预测是无人驾驶、车道变更指导及交通信号控制等关键应用的基础性问题。然而，由于传感器类型和数量有限以及跟踪算法准确性问题，获取车道级交通数据已成为数据驱动模型面临的关键瓶颈。为此，我们提出了细粒度道路交通推断（FRTI）任务，旨在利用有限的道路数据生成更详细的车道级交通信息，为精准交通管理提供更高效且成本更低的解决方案。该任务被抽象化为空间时间图节点生成问题的第一个场景。我们设计了两阶段框架——RoadDiff——以解决FRTI任务。该框架利用道路-车道关联自编码器-解码器和车道扩散模块，充分利用有限的时空依赖关系和数据分布关系，准确推断细粒度车道交通状态。基于现有研究，我们设计了若干具有解决FRTI任务潜力的基线模型，并在六个代表不同道路条件的数据集上进行大规模实验，以验证RoadDiff模型在解决FRTI任务方面的有效性。相关数据集和代码已公开于 https://github.com/ShuhaoLii/RoadDiff。
引用
@article{arxiv.2507.19089,
title = {Fine-Grained Traffic Inference from Road to Lane via Spatio-Temporal Graph Node Generation},
author = {Shuhao Li and Weidong Yang and Yue Cui and Xiaoxing Liu and Lingkai Meng and Lipeng Ma and Fan Zhang},
journal= {arXiv preprint arXiv:2507.19089},
year = {2025}
}