arXiv cs.AI· Qishen Zhou, Yifan Zhang, Michail A. Makridis, Anastasios Kouvelas, Yibing Wang, Simon Hu·· 12 小时前AI 评分29
TA-ANP：融合多源数据的大都市级弹性可信交通流推断框架
Metropolis-Scale Resilient and Trustworthy Traffic Flow Inference Using Multi-Source Data
AI 导读
研究者提出任务感知注意力神经过程 TA-ANP，将浮动车数据与稀疏固定检测器测量融合，实现全网交通状态的概率化推断，无需重训练即可适应传感配置变化。团队构建覆盖 26,166 条路段（含 2,371 条装传感器路段）的大都市多源交通数据集 MMTD，TA-ANP 在实时估计与观测/未观测位置预测等子任务上均取得最佳性能。
正文 · AI 翻译
摘要：基于稀疏观测以高精度且可信的不确定性量化推断全网交通状态，对智能交通系统至关重要，但由于该问题的欠定性、传感网络中的多重干扰，以及联合建模时多个推断子任务之间的固有冲突，这一任务仍具挑战性。我们提出任务感知注意力神经过程（TA-ANP），这是一个统一的概率框架，通过融合浮动车数据（FCD）与稀疏固定检测器测量，实现鲁棒且可信的全局交通状态推断（GTSI）。通过将 GTSI 建模为随机过程，TA-ANP 利用神经过程的元学习特性，无需重新训练即可快速适应传感配置的变化。我们引入具有不同时空归纳偏置的任务感知多查询注意力模块，以联合处理三个 GTSI 子任务——未观测位置的实时估计、在已观测和未观测位置上的预测——同时缓解跨任务干扰。对于不确定性量化，我们将神经过程与蒙特卡洛 Dropout 相结合，以同时捕捉偶然不确定性和认知不确定性。为支持大都市规模评估，我们构建了大都市多源交通数据集（MMTD），整合了固定环形传感器测量、FCD 统计数据和 OpenStreetMap 路网数据，覆盖包含 26,166 个路段、其中 2,371 个配备固定传感器的路段用于定量评估的城市路网。在多个独立生成的传感器配置上的实验表明，TA-ANP 在确定性和概率性指标下均在所有子任务上取得最佳性能。由此得到的良好校准的不确定性使得以更少的传感器部署实现更高效的固定传感器布设成为可能。
| 评论： | 该论文已被 Transportation Research Part C: Emerging Technologies 接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.25004 [cs.LG] |
| （或 arXiv:2605.25004v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.25004 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | Transportation Research Part C: Emerging Technologies, Volume 194, Part B, January 2027, 106083 |
| 相关 DOI： | https://doi.org/10.1016/j.trc.2026.106083
链接到相关资源的 DOI |
提交历史
来自：Qishen Zhou [查看邮箱]
[v1]
2026年5月24日星期日 11:12:02 UTC（5,967 KB）
[v2]
2026年10月21日星期三 05:45:57 UTC（18,150 KB）
来源：arXiv cs.AI · arxiv.org