ST-Mamba: Spatial-Temporal Mamba for Traffic Flow Estimation Recovery using Limited Data

要約

交通流推定 (TFE) は、都市のインテリジェント交通システムにとって重要です。
従来の路上検知器は対象範囲が限られていることと高コストによって妨げられていますが、クラウド コンピューティングと、走行速度や GPS 座標などの車両ネットワーク データのデータ マイニングは、有望でコスト効率の高い代替手段となります。
さらに、データ収集を最小限に抑えると、オーバーヘッドを大幅に削減できます。
ただし、データが限られていると、TFE の不正確さや不安定さが生じる可能性があります。
これに対処するために、畳み込みニューラル ネットワーク (CNN) と Mamba フレームワークを組み合わせた深層学習モデルである時空間 Mamba (ST-Mamba) を導入します。
ST-Mamba は、トラフィック フロー内の時空間パターンを効果的にキャプチャすることで、TFE の精度と安定性を向上させるように設計されています。
私たちのモデルは、最小限のデータのみを利用しながら、広範なデータセットからの結果と同等の結果を達成することを目指しています。
現実世界のデータセットを使用したシミュレーションにより、限られたデータに基づいて都市景観全体に正確かつ安定した TFE を提供するモデルの能力が検証され、TFE のコスト効率の高いソリューションが確立されました。

要約(オリジナル)

Traffic flow estimation (TFE) is crucial for urban intelligent traffic systems. While traditional on-road detectors are hindered by limited coverage and high costs, cloud computing and data mining of vehicular network data, such as driving speeds and GPS coordinates, present a promising and cost-effective alternative. Furthermore, minimizing data collection can significantly reduce overhead. However, limited data can lead to inaccuracies and instability in TFE. To address this, we introduce the spatial-temporal Mamba (ST-Mamba), a deep learning model combining a convolutional neural network (CNN) with a Mamba framework. ST-Mamba is designed to enhance TFE accuracy and stability by effectively capturing the spatial-temporal patterns within traffic flow. Our model aims to achieve results comparable to those from extensive data sets while only utilizing minimal data. Simulations using real-world datasets have validated our model’s ability to deliver precise and stable TFE across an urban landscape based on limited data, establishing a cost-efficient solution for TFE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google