基于邻域自适应线性回归的时空交通图谱细化
计算机视觉与模式识别
2026-03-26 v1
摘要
时空（TS）交通图谱是描述交通流动态演化的关键工具，其分辨率直接影响交通理论研究和工程应用的效果。然而，受制于监控精度和抽样频率，现有 TS 交通图谱常常存在低分辨率问题。为此，本文提出一种基于邻域自适应线性回归的 TS 交通图谱细化方法。该方法引入邻域嵌入的概念，用于 TS 图谱的细化，利用 TS 图谱中局部模式相似性，自适应识别目标单元相似的邻域，并在这些邻域内拟合低到高分辨率的映射进行细化。该方法避免了传统全局线性模型的过平滑倾向，能够捕捉独特的交通波传播和拥堵演化特征，在利用局部信息方面优于传统的邻域嵌入方法，实现目标单元的细化。在多个尺度和升频因子的两个真实数据集上的验证表明，与基准方法相比，该方法在包括 MAE、MAPE、CMJS、SSIM 和 GMSD 在内的指标上分别提高了 9.16%、8.16%、1.86%、3.89% 和 5.83%。此外，该方法在跨日和跨情景验证中表现出强大的泛化性和鲁棒性。总之，该方法仅需少量的配对高低分辨率训练数据，具有简洁的公式，为低采样率交通数据进行低成本、细粒度的细化提供了基础。
引用
@article{arxiv.2603.24312,
title = {Refining time-space traffic diagrams: A neighborhood-adaptive linear regression method},
author = {Zhihong Yao and Yi Yu and Yunxia Wu and Hao Li and Yangsheng Jiang and Zhengbing He},
journal= {arXiv preprint arXiv:2603.24312},
year = {2026}
}