PMA-Diffusion：面向稀疏观测的物理导引掩码感知扩散框架用于交通状态估计
机器学习
2025-12-09 v1
摘要
高分辨率高速公路交通状态信息是智能交通系统的关键，但典型的交通数据来自环形探测器和探测车，往往稀疏且噪声较大，难以捕捉交通流的详细动力学。我们提出了 PMA-Diffusion，一个物理导引的掩码感知扩散框架，用于从稀疏、不完整的观测重建未观测的高速公路速度场。我们的方法通过两种掩码感知训练策略（单掩码和双掩码）直接在稀疏观测的速度场上训练扩散先验。在推理阶段，物理导引的后验采样器交替进行反向扩散更新、观测投影和基于自适应各向异性平滑的物理导引投影，以重建缺失的速度场。该框架在I-24 MOTION 数据集上进行测试，测试不同的可见性比例。即便在仅 5% 可见性的情况下，PMA-Diffusion 在三个重建误差指标上均优于其他基线方法。此外，PMA-Diffusion 在稀疏观测下训练的模型几乎能匹配在完全观测速度场上训练的基线模型的性能。结果表明，将掩码感知扩散先验与物理导引后验采样器相结合，为在真实感知稀疏性下的交通状态估计提供了一个可靠且灵活的解决方案。
引用
@article{arxiv.2512.06183,
title = {PMA-Diffusion: A Physics-guided Mask-Aware Diffusion Framework for TSE from Sparse Observations},
author = {Lindong Liu and Zhixiong Jin and Seongjin Choi},
journal= {arXiv preprint arXiv:2512.06183},
year = {2025}
}