PulseAugur
中
实时 17:54:09
English(EN) Metropolis-Scale Resilient and Trustworthy Traffic Flow Inference Using Multi-Source Data

新的AI框架推断交通流并进行不确定性量化

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为任务感知注意力神经过程（TA-ANP）的新概率框架，用于利用稀疏数据推断大城市区域的交通流。该方法融合了浮动车数据和固定传感器测量，无需重新训练即可适应不断变化的传感器配置。TA-ANP解决了欠定问题和冲突推断子任务等挑战，同时还为更好的传感器放置和抵抗干扰提供了可信的不确定性量化。 AI

影响 这项研究可能导致大城市更高效、更具弹性的交通管理系统。

排序理由 详细介绍新AI模型和数据集的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Qishen Zhou, Yifan Zhang, Michail A. Makridis, Anastasios Kouvelas, Yibing Wang, Simon Hu ·

    Metropolis-Scale Resilient and Trustworthy Traffic Flow Inference Using Multi-Source Data

    arXiv:2605.25004v1 Announce Type: cross Abstract: Inferring network-wide traffic states from sparse observations with high accuracy and trustworthy uncertainty quantification is essential for intelligent transportation systems, yet it remains challenging due to the underdetermine…

相关话题