XXLTraffic: Expanding and Extremely Long Traffic Dataset for Ultra-Dynamic Forecasting Challenges

要約

交通予測はスマートシティやインテリジェント交通の取り組みにとって極めて重要であり、近年ディープラーニングが複雑な時空間パターンのモデリングにおいて大きな進歩を遂げています。
ただし、現在の公開データセットには、継続的に進化するインフラストラクチャ、時間的分布の変化、センサーのダウンタイムや交通パターンの変化による時間的ギャップを特徴とする現実世界のシナリオの超動的性質を反映するには限界があります。
これらの制限により、既存の交通予測データセットの実際的な適用可能性が必然的に制限されます。
このギャップを埋めるために、超動的予測の研究をサポートするために厳選された、最長のタイムスパンとデータ内で観察される複数年にわたるセンサー ノードの数が増加する利用可能な最大の公共交通データセットである XLTraffic を紹介します。
私たちのベンチマークには、時間ごとおよび毎日の集計データを使用した一般的な時系列予測設定と、実際の制約をより適切にシミュレートするためにギャップを導入しトレーニング サイズをダウンサンプリングする新しい構成の両方が含まれています。
新しい XXLTraffic は、時系列および交通予測コミュニティに新たな視点を提供すると期待しています。
また、超動的で非常に長い予測問題に取り組むように設計されたモデルを開発および評価するための堅牢なプラットフォームも提供します。
私たちのデータセットは既存の時空間データリソースを補完し、この分野における新しい研究の方向性を導きます。

要約(オリジナル)

Traffic forecasting is crucial for smart cities and intelligent transportation initiatives, where deep learning has made significant progress in modeling complex spatio-temporal patterns in recent years. However, current public datasets have limitations in reflecting the ultra-dynamic nature of real-world scenarios, characterized by continuously evolving infrastructures, varying temporal distributions, and temporal gaps due to sensor downtimes or changes in traffic patterns. These limitations inevitably restrict the practical applicability of existing traffic forecasting datasets. To bridge this gap, we present XXLTraffic, the largest available public traffic dataset with the longest timespan and increasing number of sensor nodes over the multiple years observed in the data, curated to support research in ultra-dynamic forecasting. Our benchmark includes both typical time-series forecasting settings with hourly and daily aggregated data and novel configurations that introduce gaps and down-sample the training size to better simulate practical constraints. We anticipate the new XXLTraffic will provide a fresh perspective for the time-series and traffic forecasting communities. It would also offer a robust platform for developing and evaluating models designed to tackle ultra-dynamic and extremely long forecasting problems. Our dataset supplements existing spatio-temporal data resources and leads to new research directions in this domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google