TraffNet: Learning Causality of Traffic Generation for Road Network Digital Twins

要約

タイトル：TraffNet：道路ネットワークデジタルツインのトラフィック生成の因果関係を学習する

要約：
– 道路ネットワークデジタルツイン（RNDTs）は、次世代のインテリジェント・トランスポーテーション・システムの開発において重要な役割を果たしており、より正確な交通計画と制御を可能にする。
– RNDTは、オンラインセンサーデータからトラフィックパターンを動的に学習し、高精度のシミュレーション結果を生成するモデルが必要である。
– 現在のグラフニューラルネットワークに基づくトラフィック予測技術は、歴史的なトラフィックデータの相関関係を探索することによって将来のトラフィックを予測することに成功しているが、オリジン・デスティネーション（OD）の需要や経路選択などのトラフィック生成の原因を無視しているため、JIT決定に対して信頼性が低い。
– このギャップを埋めるために、本論文では、車両の軌跡データからトラフィック量の因果関係を学習するTraffNetという新しい深層学習フレームワークを紹介する。
– まず、異質グラフを使用して道路ネットワークを表現し、モデルがトラフィック量の因果関係を組み込めるようにする。
– 次に、交通ドメイン知識に着想を得て、各道路セグメントのOD需要とパスレベルの依存関係をエンコードする埋め込みベクトルを学習する交通因果関係学習手法を提案する。
– 次に、トラフィック生成の基本的なプロセスに合わせて時間的な依存関係をモデル化する。
– 最後に、実験によってTraffNetの有用性を検証する。TraffNetのコードはhttps://github.com/mayunyi-1999/TraffNet_code.gitで入手できる。

要約(オリジナル)

Road network digital twins (RNDTs) play a critical role in the development of next-generation intelligent transportation systems, enabling more precise traffic planning and control. To support just-in-time (JIT) decision making, RNDTs require a model that dynamically learns the traffic patterns from online sensor data and generates high-fidelity simulation results. Although current traffic prediction techniques based on graph neural networks have achieved state-of-the-art performance, these techniques only predict future traffic by mining correlations in historical traffic data, disregarding the causes of traffic generation, such as Origin-Destination (OD) demands and route selection. Therefore, their performance is unreliable for JIT decision making. To fill this gap, we introduce a novel deep learning framework called TraffNet that learns the causality of traffic volumes from vehicle trajectory data. First, we use a heterogeneous graph to represent the road network, allowing the model to incorporate causal features of traffic volumes. Next, inspired by the traffic domain knowledge, we propose a traffic causality learning method to learn an embedding vector that encodes OD demands and path-level dependencies for each road segment. Then, we model temporal dependencies to match the underlying process of traffic generation. Finally, the experiments verify the utility of TraffNet. The code of TraffNet is available at https://github.com/mayunyi-1999/TraffNet_code.git.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI