[論文レビュー] Sensor Placement for Urban Traffic Interpolation: A Data-Driven Evaluation to Inform Policy

Silke K. Kaiser|arXiv (Cornell University)|Jan 12, 2026

Traffic Prediction and Management Techniques被引用数 0

ひとこと要約

データ駆動型の空間・時間センサー配置戦略を用いた都市交通補間のベンチマークを通じ、空間カバレッジとアクティブラーニングが精度を大幅に向上させ、 Temporary deployment が permanent deployment に近い性能を示すことを明らかにする。

ABSTRACT

Data on citywide street-segment traffic volumes are essential for urban planning and sustainable mobility management. Yet such data are available only for a limited subset of streets due to the high costs of sensor deployment and maintenance. Traffic volumes on the remaining network are therefore interpolated based on existing sensor measurements. However, current sensor locations are often determined by administrative priorities rather than by data-driven optimization, leading to biased coverage and reduced estimation performance. This study provides a large-scale, real-world benchmarking of easily implementable, data-driven strategies for optimizing the placement of permanent and temporary traffic sensors, using segment-level data from Berlin (Strava bicycle counts) and Manhattan (taxi counts). It compares spatial placement strategies based on network centrality, spatial coverage, feature coverage, and active learning. In addition, the study examines temporal deployment schemes for temporary sensors. The findings highlight that spatial placement strategies that emphasize even spatial coverage and employ active learning achieve the lowest prediction errors. With only 10 sensors, they reduce the mean absolute error by over 60% in Berlin and 70% in Manhattan compared to alternatives. Temporal deployment choices further improve performance: distributing measurements evenly across weekdays reduces error by an additional 7% in Berlin and 21% in Manhattan. Together, these spatial and temporal principles allow temporary deployments to closely approximate the performance of optimally placed permanent deployments. From a policy perspective, the results indicate that cities can substantially improve data usefulness by adopting data-driven sensor placement strategies, while retaining flexibility in choosing between temporary and permanent deployments.

研究の動機と目的

• 市全体の交通補間を改善するためのデータ駆動型センサー配置の必要性を動機付ける。
• 現実的な予算下で中心性・特徴・空間カバレッジ・アクティブラーニングなど、複数の空間配置戦略を体系的に比較する。
• 一時的なセンサーの時間的デプロイメント方式を評価し、TemporaryとPermanentの配置を比較する。
• TemporaryとPermanentのセンサー配置の選択に関する transferableな指針を都市に提供する。

提案手法

• 道路網を特徴量付きの street segment（街路区間）として表現し、データを訓練・検証・テストに分割する。
• Betweenness、Closeness、特徴多様性、特徴冗長性、特徴カバレッジ、空間分散、Voronoiジニ、アクティブラーニングなどを含む様々な配置戦略を用いて最大Kセンサーを評価する（K ∈ {10,25,50,75,100}）。
• センサー観測から都市全体の交通量を補間するのにXGBoostを使用し、平均絶対誤差（MAE）で性能を測定する。
• 同一予算の下で恒常的なセンサー配置（連続観測）と一時的な配置（時空選択）を比較する。
• ベースラインシナリオ：ランダム配置、既存の展開、全訓練データ上限を評価する。

(a) Cycling network in Berlin.

実験結果

リサーチクエスチョン

• RQ1 限られた予算と都市/モードで、どの空間的センサー配置戦略が最低の都市全体補間誤差を生むか？
• RQ2 Temporaryセンサーの時間的デプロイメントの選択が補間精度にどう影響するか、類似予算下でTemporaryとPermanentの配置をどう比較するか？
• RQ3 Berlin（Strava自転車数）とManhattan（タクシー数）という異なる都市文脈および輸送モード（自転車対自動車交通）で結果が一般化するか？

主な発見

• 空間的な均等カバレッジとアクティブラーニングを重視する戦略が最も低い予測誤差を達成する。
• 予算が10センサーの場合、これらの戦略はBerlinでMAEを他の戦略と比較して60%以上、Manhattanで70%超低減する。
• 平日を通じて測定を均等に分散する時系列デプロイメントは、Berlinで約7%、Manhattanで約21%の追加MAE低減をもたらす。
• 空間・時間設計原理に従えば、一時的な配置は最適配置の恒常的配置の性能に近づくことができる。
• 本研究は、データ駆動型センサー配置戦略が都市政策のデータ有用性を大幅に向上させる可能性を示すとともに、一時的と恒常的配置の間で柔軟性を提供する。

(b) Street network in Manhattan, NYC.