論文の概要: Towards Spatio-Temporal Aware Traffic Time Series Forecasting--Full
Version
- arxiv url: http://arxiv.org/abs/2203.15737v2
- Date: Wed, 30 Mar 2022 08:24:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-31 12:17:25.138714
- Title: Towards Spatio-Temporal Aware Traffic Time Series Forecasting--Full
Version
- Title（参考訳）: 時空間交通時系列予測に向けて-フルバージョン
- Authors: Razvan-Gabriel Cirstea, Bin Yang, Chenjuan Guo, Tung Kieu, Shirui Pan
- Abstract要約: 同じ時系列パターンの複雑な時系列パターンが時間によって異なる可能性があるため、トラフィックシリーズの予測は困難である。
このような時間的モデルは、時間的位置と時間的期間に関わらず、共有パラメータ空間を使用し、時間的相関は場所間で類似しており、常に時間にわたって保持するわけではないと仮定する。
サブテンポラリモデルにICDを意識したモデルをエンコードするフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 37.09531298150374
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Traffic time series forecasting is challenging due to complex spatio-temporal
dynamics time series from different locations often have distinct patterns; and
for the same time series, patterns may vary across time, where, for example,
there exist certain periods across a day showing stronger temporal
correlations. Although recent forecasting models, in particular deep learning
based models, show promising results, they suffer from being spatio-temporal
agnostic. Such spatio-temporal agnostic models employ a shared parameter space
irrespective of the time series locations and the time periods and they assume
that the temporal patterns are similar across locations and do not evolve
across time, which may not always hold, thus leading to sub-optimal results. In
this work, we propose a framework that aims at turning spatio-temporal agnostic
models to spatio-temporal aware models. To do so, we encode time series from
different locations into stochastic variables, from which we generate
location-specific and time-varying model parameters to better capture the
spatio-temporal dynamics. We show how to integrate the framework with canonical
attentions to enable spatio-temporal aware attentions. Next, to compensate for
the additional overhead introduced by the spatio-temporal aware model parameter
generation process, we propose a novel window attention scheme, which helps
reduce the complexity from quadratic to linear, making spatio-temporal aware
attentions also have competitive efficiency. We show strong empirical evidence
on four traffic time series datasets, where the proposed spatio-temporal aware
attentions outperform state-of-the-art methods in term of accuracy and
efficiency. This is an extended version of "Towards Spatio-Temporal Aware
Traffic Time Series Forecasting", to appear in ICDE 2022 [1], including
additional experimental results.
- Abstract（参考訳）: 交通時系列の予測は、異なる場所からの複雑な時空間的時系列は、しばしば異なるパターンを持つため困難であり、同時に、パターンは時間によって異なる可能性がある。
最近の予測モデル、特に深層学習に基づくモデルは有望な結果を示すが、時空間非依存である。
このような時空間非依存モデルは、時系列の位置や期間に関係なく共有パラメータ空間を採用しており、時空間パターンは場所間で類似しており、時間を超えて進化しないと仮定している。
本研究では,時空間非依存モデルから時空間認識モデルへの変換を目的としたフレームワークを提案する。
そのため、異なる位置からの時系列を確率変数にエンコードし、そこから位置特化および時間変動モデルパラメータを生成し、時空間力学をよりよく捉える。
時空間的注意力を高めるために,フレームワークを標準的注意力と統合する方法を示す。
次に、時空間認識モデルパラメータ生成プロセスによってもたらされる追加のオーバーヘッドを補うために、二次から線形までの複雑さを低減し、時空間認識の注意を競争力のあるものにする新しいウィンドウアテンションスキームを提案する。
提案手法は,4つの交通時系列データセットに対して強い実証的証拠を示し,その精度と効率の点で,時空間的注意が最先端の手法より優れていることを示す。
これは"towards spatio-temporal aware traffic time series forecasting"の延長版であり、追加の実験結果を含むicde 2022 [1]に登場した。
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) - PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from
the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。
7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文 参考訳（メタデータ） (2024-02-25T17:39:44Z) - TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳（メタデータ） (2024-02-04T13:10:51Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - Learning Time-aware Graph Structures for Spatially Correlated Time
Series Forecasting [30.93275270960829]
本稿では時系列間の時間認識相関を抽出する時間認識グラフ構造学習(TagSL)を提案する。
グラフ畳み込みに基づくGated Recurrent Unit (GCGRU) も提案する。
最後に,TagSLとGCGRUを組み合わせたTGCRN(Time-aware Graph Convolutional Recurrent Network)という統合フレームワークを導入し,マルチステップ時間予測のためのエンコーダデコーダアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-12-27T04:23:43Z) - Revisiting the Temporal Modeling in Spatio-Temporal Predictive Learning
under A Unified View [73.73667848619343]
UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
論文 参考訳（メタデータ） (2023-10-09T16:17:42Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳（メタデータ） (2023-06-20T03:02:14Z) - Time Series Forecasting via Semi-Asymmetric Convolutional Architecture
with Global Atrous Sliding Window [0.0]
本稿では,時系列予測の問題に対処するために提案手法を提案する。
現代のモデルのほとんどは、短い範囲の情報のみに焦点を当てており、時系列予測のような問題で致命的なものである。
パフォーマンス上のアドバンテージがあることを実験的に検証した3つの主要なコントリビューションを行います。
論文 参考訳（メタデータ） (2023-01-31T15:07:31Z) - A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。
時系列モデルが数値予測の代替となる。
本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
論文 参考訳（メタデータ） (2022-09-29T13:47:02Z) - AutoFITS: Automatic Feature Engineering for Irregular Time Series [0.44198435146063353]
不規則な時系列では、各観測が収集される時間はデータのダイナミクスを要約し、予測性能を向上させるのに役立つ。
我々は,各インスタンスが収集された際に,この視点から情報を抽出することに焦点を当てた,新しい自動機能エンジニアリングフレームワークを開発する。
時系列予測ワークフローに組み込むことによって,この情報の価値を検証し,時系列予測のための最新手法との比較や補完方法について検討する。
論文 参考訳（メタデータ） (2021-12-29T19:42:48Z) - Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。
時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。
時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文 参考訳（メタデータ） (2021-07-13T11:08:47Z)
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。