基于Dirichlet图自编码器的网络级稀疏传感器数据高速公路交通估计
机器学习
2026-04-21 v2
摘要
网络级交通状态估计（TSE）旨在利用稀疏部署的传感器推断网络交通状态的完整图景，对于智能交通系统具有至关重要的作用。随着数据驱动方法的发展，交通动力学建模取得了显著进展。然而，TSE面临数据驱动方法的根本挑战，因为历史模式无法在传感器-free 区域本地学习。虽然图表示学习在估计无传感器位置的状态方面显示出前景，但现有方法通常通过用零填充来处理未观测位置，引入对敏感图消息传递的偏差。最近提出的基于Dirichlet能量的特征传播（DEFP）方法在无监督节点分类中实现了最先进（SOTA）性能，无需进行零填充。然而，将其应用于TSE面临三个关键挑战：无法处理有向交通网络、对交通空间相关性建模的强假设，以及忽视不同模式（如拥堵和自由通行）的不同传播规则。我们提出了DGAE（Directed Graph Auto-Encoder），一种新的归纳式图表示模型，通过理论推导的DEFP for Directed graph（DEFP4D）来解决这些挑战，利用DEFP4D引导的潜在空间编码增强空间表示学习，以及基于物理的传播机制分别处理拥堵和自由流模式。在三个交通数据集上的实验表明，DGAE超过了现有SOTA方法，并显示出强大的跨城市迁移能力。此外，DEFP4D可作为独立的轻量级解决方案， 在极端稀疏传感器条件下表现出色。该工作的代码已公开available at: https://github.com/ZJU-TSELab/DGAE.
引用
@article{arxiv.2503.15845,
title = {Network-wide Freeway Traffic Estimation Using Sparse Sensor Data: A Dirichlet Graph Auto-Encoder Approach},
author = {Qishen Zhou and Yifan Zhang and Michail A. Makridis and Anastasios Kouvelas and Yibing Wang and Simon Hu},
journal= {arXiv preprint arXiv:2503.15845},
year = {2026}
}