arXiv cs.AI· Du Yin, Hao Xue, Arian Prabowo, Shuang Ao, Flora Salim·· 1 天前AI 评分29
EvoXXLTraffic：将交通预测扩展至传感器演化网络
From XXLTraffic to EvoXXLTraffic: Scaling Traffic Forecasting to Sensor-Evolving Networks
AI 导读
EvoXXLTraffic 是 XXLTraffic 数据集的传感器演化扩展版，覆盖加州九个 PeMS 区、最长 27 年，提供逐年传感器目录、持久站点 ID、流量矩阵与地理图快照，并将全传感器预测与对前一年缺失传感器的监督适配分开评测。
正文 · AI 翻译
摘要：交通预测基准通常固定传感器集合，尽管实际部署的感知网络会随时间改变其覆盖范围。我们提出 EvoXXLTraffic，这是 XXLTraffic 数据集家族的传感器演化扩展版本，包含逐年传感器目录、持久站点 ID、流量矩阵以及覆盖加州九个 PeMS 区、跨度最长 27 年的地理图快照。该基准将全传感器预测与对前一年缺失传感器的监督式适应区分开来。我们在 PEMS04 上以五个随机种子、在 PEMS05 上以三个随机种子评估了 13 种基线适应方法，并在其余七个区以三个随机种子评估了其中七种方法。每个年度任务使用 31 个存储日、显式观测掩码和按时间顺序的评估。在冻结配置下，PECPM 在 PEMS04 的全传感器和新节点群体上均具有最低的全时域平均 MAE，而 Online-AN 在 PEMS05 上在这两个群体上均领先。在全部九个区上运行的七种方法中，Online-AN 在九个区中的八个区具有最低的全传感器平均 MAE，Online-NN 在六个区中具有最低的新节点平均 MAE。在 PEMS05 和 PEMS06 上进行的匹配对照实验发现，在演化目录上训练会使 2018-2025 年每个目录中都存在的传感器上的平均 MAE 变化幅度小于 1%。方法排序取决于区、评估群体、时域和指标，种子变化无法确立统计显著性。该基准记录了实现层面的适应方法，并使用回顾性地理图，这限制了对原论文排名和前瞻性部署的论断。继承的固定传感器缺口任务和小时/日任务提供了互补的时间设置。代码与结果：this https URL。数据：this https URL。
| 评论： | 审稿中 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2605.29768 [cs.AI] |
| （或 arXiv:2605.29768v3 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.29768 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Du Yin [查看邮箱]
[v1]
2026年5月28日 星期四 11:13:34 UTC（2,041 KB）
[v2]
2026年6月21日 星期日 08:07:51 UTC（2,041 KB）
[v3]
2026年11月12日 星期四 18:17:56 UTC（1,964 KB）
来源：arXiv cs.AI · arxiv.org