要旨: 交通予測は、挑戦的な時空間モデリング課題であり、都市交通管理における重要な構成要素です。現在の研究は主に決定論的予測に焦点を当てており、交通ダイナミクスにおける不確実性や確率性（stochasticity）についての考慮は限られています。そこで本論文では、既存のモデルを、最終出力層のみを新しいガウス混合モデル（GMM）層に置き換えることで確率的予測器へと変換する、洗練されつつ汎用的なアプローチを提案します。この修正モデルは学習パイプラインの変更を必要とせず、補助的または正則化項を一切加えることなく、負の対数尤度（NLL）損失のみで学習できます。複数の交通データセットに対する実験により、本手法が決定論的性能を維持しつつ、古典的なモデル構造から現代的なモデル構造へも一般化できることが示されます。さらに、本手法を累積分布と信頼区間に基づいて体系的に評価する手順を提案し、単峰または決定論的ベースラインよりも、精度と情報量の両面で大幅に優れていることを示します。最後に、現実世界の高密度都市交通ネットワークに関するより詳細な研究を提示し、データ品質が不確実性の定量化に与える影響を調べるとともに、不完全なデータ条件下でも本手法が頑健であることを示します。コードは https://github.com/Weijiang-Xiong/OpenSkyTraffic で公開されています
確率的な揺らぎの解明：交通予測のためのユニバーサルなマルチモーダル確率モデリング
arXiv cs.LG / 2026/4/20
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、交通の時空間ダイナミクスに潜む不確実性と確率的な揺らぎを明示的に扱うため、交通予測を決定論的予測から確率モデルへ移行することを目的としています。
- 既存の交通予測モデルを確率的予測器へ変換するユニバーサル手法として、最終出力層のみをガウス混合モデル（GMM）層に置き換えるアプローチを提案しています。
- 学習パイプラインの変更なしに、補助的な損失や正則化項なしで、Negative Log-Likelihood（NLL）損失のみで学習可能であるとしています。
- 複数の交通データセットでの実験により、決定論的な精度を保ちながら、不確実性推定の精度と情報量が、単峰性モデルや決定論的ベースラインより大きく向上することを示しています。
- 累積分布と信頼区間に基づく評価手順を提示し、データ品質や不完全な観測が不確実性の定量化に与える影響、ならびに提案手法の頑健性も検証し、コードも公開しています。
