Fugu-MT 論文翻訳(概要): A Lightweight and Accurate Spatial-Temporal Transformer for Traffic Forecasting

論文の概要: A Lightweight and Accurate Spatial-Temporal Transformer for Traffic Forecasting

arxiv url: http://arxiv.org/abs/2201.00008v1
Date: Thu, 30 Dec 2021 12:31:19 GMT
ステータス: 処理完了
システム内更新日: 2022-01-04 13:12:25.020086
Title: A Lightweight and Accurate Spatial-Temporal Transformer for Traffic Forecasting
Title（参考訳）: 交通予報用軽量かつ高精度な時空間変圧器
Authors: Guanyao Li, Shuhan Zhong, Letian Xiang, S.-H. Gary Chan, Ruiyuan Li, Chih-Chieh Hung, Wen-Chih Peng
Abstract要約: 本研究では,地域間の動的・周期的・共同的空間的依存を伴う交通の予測問題について検討する。本稿では,情報融合と領域サンプリングを備えた新しい,軽量かつ高精度な空間時間変換器ST-TISを提案する。最先端モデルよりもパラメータがはるかに少ないため、チューニングや計算の点で、我々のモデルのオフライントレーニングは大幅に高速である。
参考スコア（独自算出の注目度）: 8.119682083701942
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study the forecasting problem for traffic with dynamic, possibly periodical, and joint spatial-temporal dependency between regions. Given the aggregated inflow and outflow traffic of regions in a city from time slots 0 to t-1, we predict the traffic at time t at any region. Prior arts in the area often consider the spatial and temporal dependencies in a decoupled manner or are rather computationally intensive in training with a large number of hyper-parameters to tune. We propose ST-TIS, a novel, lightweight, and accurate Spatial-Temporal Transformer with information fusion and region sampling for traffic forecasting. ST-TIS extends the canonical Transformer with information fusion and region sampling. The information fusion module captures the complex spatial-temporal dependency between regions. The region sampling module is to improve the efficiency and prediction accuracy, cutting the computation complexity for dependency learning from $O(n^2)$ to $O(n\sqrt{n})$, where n is the number of regions. With far fewer parameters than state-of-the-art models, the offline training of our model is significantly faster in terms of tuning and computation (with a reduction of up to $90\%$ on training time and network parameters). Notwithstanding such training efficiency, extensive experiments show that ST-TIS is substantially more accurate in online prediction than state-of-the-art approaches (with an average improvement of up to $11\%$ on RMSE, $14\%$ on MAPE).
Abstract（参考訳）: 本研究では,地域間の動的・周期的・共同的空間的依存を伴う交通の予測問題について検討する。都市内の時間スロット0からt-1までの流入・流出トラフィックの総和を考慮し,任意の地域での時間t時のトラフィックを予測する。この分野の先行技術は、多くの場合、空間的および時間的依存関係を分離した方法で考慮するか、あるいは多くのハイパーパラメータをチューニングしたトレーニングにおいて計算的に集中している。交通予測のための情報融合と領域サンプリングを備えた新しい,軽量かつ高精度な空間時間変換器ST-TISを提案する。 ST-TISは情報融合と領域サンプリングにより標準変換器を拡張する。情報融合モジュールは、領域間の複雑な空間-時間依存をキャプチャする。領域サンプリングモジュールは、効率と予測精度を向上し、依存関係学習の計算複雑性を、nが領域数である$o(n^2)$から$o(n\sqrt{n})$に削減する。最先端モデルよりもパラメータがはるかに少ないため、トレーニング時間とネットワークパラメータの最大90\%の削減で、チューニングと計算の点で、我々のモデルのオフライントレーニングは大幅に高速になります。このようなトレーニングの効率にもかかわらず、広範な実験により、ST-TISは最先端のアプローチよりもオンラインの予測においてかなり正確であることが示されている(RMSEでは111\%、MAPEでは114\%)。

関連論文リスト

Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文参考訳（メタデータ） (2024-11-14T07:34:31Z)
Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文参考訳（メタデータ） (2024-11-01T00:37:00Z)
ST-Mamba: Spatial-Temporal Selective State Space Model for Traffic Flow Prediction [32.44888387725925]
提案したST-Mambaモデルは,まず,グラフモデルを用いることなく交通流予測における時空間学習のパワーを活用する。提案したST-Mambaモデルでは、計算速度が61.11%向上し、予測精度が0.67%向上した。実世界のトラフィックデータセットを用いた実験は、textsfST-Mambaモデルがトラフィックフロー予測の新しいベンチマークを設定することを示した。
論文参考訳（メタデータ） (2024-04-20T03:57:57Z)
FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
論文参考訳（メタデータ） (2023-02-21T03:55:29Z)
PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文参考訳（メタデータ） (2023-01-19T08:42:40Z)
Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文参考訳（メタデータ） (2022-10-21T07:25:57Z)
Space Meets Time: Local Spacetime Neural Network For Traffic Flow Forecasting [11.495992519252585]
このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
論文参考訳（メタデータ） (2021-09-11T09:04:35Z)
Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
論文参考訳（メタデータ） (2021-05-21T00:08:06Z)
Low-Rank Autoregressive Tensor Completion for Spatiotemporal Traffic Data Imputation [4.9831085918734805]
データ計算の欠如は長年の研究課題であり、現実世界のインテリジェント交通システムにとって重要な応用である。テキストの時間変化を新たな正規化項として導入し,低ランク自動回帰テンソル補完(LATC)フレームワークを提案する。本研究では,複数の実世界の交通データ集合について広範な数値実験を行い,LATCの有効性を実証した。
論文参考訳（メタデータ） (2021-04-30T12:00:57Z)
A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文参考訳（メタデータ） (2020-03-16T03:43:59Z)
Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文参考訳（メタデータ） (2020-01-09T10:21:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。