En ny forskningsindsats fra arXiv adresserer et overset problem i trafikprognoser: standardmodeller bruger ofte kun flow-data og ignorerer de ekstra målinger, som sensorer faktisk registrerer. Forskere bag RiskTraf introducerer både et nyt benchmark, PEMSB-3V, og en metode, der kan forbedre eksisterende modeller uden at skulle bygges om.
Kernen er, at trafiksensorer typisk måler flow, hastighed og belægning, men mange benchmarks og modeller udelader de to sidstnævnte eller erstatter dem med upålidelige proxies. Det betyder, at modellerne går glip af information, der kan afsløre forskellen mellem frit flow og trængsel – en forskel, der er afgørende for præcise forudsigelser.
RiskTraf løser problemet ved at lære en letvægts 'residual head', der korrigerer en allerede trænet models output ved hjælp af historiske hastigheds- og belægningsdata. Metoden er designet til at være model-agnostisk, så den kan kobles på forskellige spatio-temporale backbones uden at ændre dem. Eksperimenter viser, at RiskTraf konsekvent forbedrer flere forskellige prognosemodeller og overgår eksisterende metoder til debiasing og distribution-shift adaptation.
For beslutningstagere i transportsektoren – fra byplanlæggere til logistikvirksomheder – betyder det, at der er potentiale for mere pålidelige trafikprognoser uden at skulle investere i helt nye systemer. Metoden kan implementeres som et supplement til eksisterende infrastruktur, hvilket kan reducere omkostningerne ved at opgradere prognosekapaciteten.
