arXiv cs.AI· Ran Tu, Zihao Li, Arash Mirzaei·· 11 小时前AI 评分26
GCRN+：用探针监督图卷积循环网络从稀疏固定传感器预测全网高速公路速度
Network-Wide Freeway Speed Nowcasting and Forecasting from Sparse Fixed Sensors with a Probe-Supervised Graph Convolutional Recurrent Network
AI 导读
GCRN+ 在达拉斯-沃斯堡地区 4127 条方向性高速路段上，仅用 643 条路段（15.6%）的传感器数据实现全路段当前小时与下一小时速度预测，无传感器路段 RMSE 分别为 2.21 mph 和 2.39 mph，优于历史均值基线的 3.23 mph。
正文 · AI 翻译
摘要：交通机构需要其路网中每条路段的当前及近期速度，但其固定传感器仅覆盖部分路段。我们研究了达拉斯--沃斯堡地区全部 4{,}127 条定向高速公路路段的小时速度联合临近预报与未来一小时预测，所用数据来自 643 条路段（15.6%）上的传感器。历史探针车辆数据在训练中监督每条路段；推理时仅使用传感器读数。我们将此设定称为探针监督稀疏感知。我们提出 GCRN+，一种图卷积循环网络，用于预测相对于历史速度剖面的偏差。它结合了无参数、方向感知的传感器异常核插值（用作输入特征和输出基线），以及有向道路图上的扩散卷积 GRU、低秩自适应图和可学习路段嵌入。其计算量随网络规模线性增长，并可在 CPU 上训练。传感器读数由探针速度模拟生成，从而将时空推断与检测器校准隔离开来。在四个留出测试日上，GCRN+ 在无传感器路段上当前小时的 RMSE 为 2.21~mph，下一小时为 2.39~mph，而历史平均为 3.23~mph。使用相同插值特征的最佳基线达到 2.53 和 2.75~mph。未使用这些特征而经过适配的近期模型（STID、STAEformer、ImputeFormer、MoGERNN）最好达到 2.54 和 2.53~mph；此比较是在完整流程之间而非架构之间进行的。除通过道路图未与任何传感器连通的路段外，GCRN+ 在每个距离区间中均表现最佳。在单一循环骨干网络内进行的消融实验将大部分增益归因于路段嵌入和自适应图，后者之所以能够训练，是因为每条路段都有探针标签。对于无传感器路段上的拥堵检测，在精确率为 0.94 时，召回率从 77\%（历史平均）和 86%（最佳竞争者）提升至 89%。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.22630 [cs.LG] |
| （或 arXiv:2610.22630v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22630 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ran Tu [查看电子邮件]
[v1]
2026 年 10 月 15 日星期四 20:35:45 UTC（819 KB）
来源：arXiv cs.AI · arxiv.org