DiSGMM: A Method for Time-varying Microscopic Weight Completion on Road Networks

📄 arXiv: 2603.29837v1 📥 PDF

作者: Yan Lin, Jilin Hu, Shengnan Guo, Christian S. Jensen, Youfang Lin, Huaiyu Wan

分类: cs.LG

发布日期: 2026-03-31

💡 一句话要点

提出DiSGMM模型，用于补全路网中随时间变化的微观权重，提升交通态势感知。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 路网 微观权重补全 时空建模 高斯混合模型 稀疏感知嵌入

📋 核心要点

  1. 现有方法难以有效应对路网微观权重补全中存在的双重稀疏性问题，即路段覆盖率低和单个路段数据不足。
  2. DiSGMM模型结合稀疏感知嵌入和时空建模，利用已知权重、路段属性和长程相关性进行权重分布估计。
  3. 实验结果表明，DiSGMM在真实数据集上优于现有方法，能够更准确地补全路网微观权重。

📝 摘要（中文）

本文研究了随时间变化的微观权重补全问题，该问题旨在恢复每个路段在当前时间段的权重分布。该问题面临双重稀疏性挑战：网络层稀疏性（许多路段缺乏权重）和路段层稀疏性（单个路段的权重不足以进行准确的分布估计）。此外，还需要一种闭式且灵活的权重分布表示，以捕捉复杂的交通状况，包括重尾和多簇分布。为了解决这些挑战，本文提出了DiSGMM模型，该模型结合了稀疏感知嵌入和时空建模，利用已知的稀疏权重、学习到的路段属性以及长程相关性进行分布估计。DiSGMM将微观权重的分布表示为可学习的高斯混合模型，提供闭式分布，能够灵活地捕捉复杂条件。在两个真实世界数据集上的实验表明，DiSGMM优于现有方法。

🔬 方法详解

问题定义：论文旨在解决路网中随时间变化的微观权重补全问题。现有的方法在处理路网数据时，面临着两个主要的痛点：一是网络层面的稀疏性，即很多路段缺乏权重数据；二是路段层面的稀疏性，即即使有数据的路段，其数据量也不足以进行准确的分布估计。这两种稀疏性使得传统的插值或统计方法难以有效地进行权重补全。

核心思路：论文的核心思路是结合稀疏感知嵌入和时空建模，利用已知的稀疏权重、学习到的路段属性以及长程相关性进行分布估计。通过学习路段的嵌入表示，可以捕捉路段之间的相似性和依赖关系，从而在缺失数据的情况下进行推断。同时，利用时空建模可以捕捉交通状况随时间的变化规律，进一步提高补全的准确性。

技术框架：DiSGMM模型的整体框架包含以下几个主要模块：1) 稀疏感知嵌入模块：用于学习路段的嵌入表示，捕捉路段之间的相似性和依赖关系。2) 时空建模模块：用于捕捉交通状况随时间的变化规律。3) 高斯混合模型（GMM）模块：用于表示路段权重的分布。模型首先利用稀疏感知嵌入模块学习路段的嵌入表示，然后利用时空建模模块捕捉交通状况随时间的变化规律，最后利用GMM模块对路段权重进行分布估计。

关键创新：论文最重要的技术创新点在于将稀疏感知嵌入和时空建模相结合，并使用可学习的高斯混合模型来表示路段权重的分布。与现有方法相比，DiSGMM能够更好地应对路网数据的稀疏性问题，并能够更灵活地捕捉复杂的交通状况。此外，使用GMM可以提供闭式分布，方便后续的分析和应用。

关键设计：在稀疏感知嵌入模块中，论文可能使用了图神经网络（GNN）等技术来学习路段的嵌入表示。在时空建模模块中，论文可能使用了循环神经网络（RNN）或Transformer等技术来捕捉交通状况随时间的变化规律。在高斯混合模型模块中，论文可能使用了期望最大化（EM）算法来估计GMM的参数。损失函数的设计可能包括重构损失和正则化项，以保证模型的准确性和泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，DiSGMM在两个真实世界数据集上均优于现有方法。具体的性能提升数据未知，但摘要中明确指出DiSGMM能够更准确地补全路网微观权重，表明其在处理稀疏数据和捕捉复杂交通状况方面具有显著优势。

🎯 应用场景

该研究成果可应用于智能交通系统中的多个领域，例如交通微观仿真、车辆路径规划和交通态势感知。通过准确补全路网微观权重，可以提高交通仿真的精度，优化车辆的行驶路线，并为交通管理者提供更全面的交通信息，从而提升交通效率和安全性。未来，该方法还可扩展到其他类型的网络数据分析中。

📄 摘要（原文）

Microscopic road-network weights represent fine-grained, time-varying traffic conditions obtained from individual vehicles. An example is travel speeds associated with road segments as vehicles traverse them. These weights support tasks including traffic microsimulation and vehicle routing with reliability guarantees. We study the problem of time-varying microscopic weight completion. During a time slot, the available weights typically cover only some road segments. Weight completion recovers distributions for the weights of every road segment at the current time slot. This problem involves two challenges: (i) contending with two layers of sparsity, where weights are missing at both the network layer (many road segments lack weights) and the segment layer (a segment may have insufficient weights to enable accurate distribution estimation); and (ii) achieving a weight distribution representation that is closed-form and can capture complex conditions flexibly, including heavy tails and multiple clusters. To address these challenges, we propose DiSGMM that combines sparsity-aware embeddings with spatiotemporal modeling to leverage sparse known weights alongside learned segment properties and long-range correlations for distribution estimation. DiSGMM represents distributions of microscopic weights as learnable Gaussian mixture models, providing closed-form distributions capable of capturing complex conditions flexibly. Experiments on two real-world datasets show that DiSGMM can outperform state-of-the-art methods.