論文の概要: ST-SSMs: Spatial-Temporal Selective State of Space Model for Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2404.13257v1
- Date: Sat, 20 Apr 2024 03:57:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-23 19:49:10.308235
- Title: ST-SSMs: Spatial-Temporal Selective State of Space Model for Traffic Forecasting
- Title（参考訳）: ST-SSM:交通予測のための空間空間モデルの選択状態
- Authors: Zhiqi Shao, Michael G. H. Bell, Ze Wang, D. Glenn Geers, Haoning Xi, Junbin Gao,
- Abstract要約: 本稿では,新しいST-Mambaブロックを特徴とする交通流予測手法を提案する。
ST-SSMsモデルは、予測精度と計算の単純さにおいて例外的な改善を示す。
- 参考スコア（独自算出の注目度）: 32.44888387725925
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate and efficient traffic prediction is crucial for planning, management, and control of intelligent transportation systems. Most state-of-the-art methods for traffic prediction effectively predict both long-term and short-term by employing spatio-temporal neural networks as prediction models, together with transformers to learn global information on prediction objects (e.g., traffic states of road segments). However, these methods often have a high computational cost to obtain good performance. This paper introduces an innovative approach to traffic flow prediction, the Spatial-Temporal Selective State Space Model (ST-SSMs), featuring the novel ST-Mamba block, which can achieve good prediction accuracy with less computational cost. A comparative analysis highlights the ST-Mamba layer's efficiency, revealing its equivalence to three attention layers, yet with markedly reduced processing time. Through rigorous testing on diverse real-world datasets, the ST-SSMs model demonstrates exceptional improvements in prediction accuracy and computational simplicity, setting new benchmarks in the domain of traffic flow forecasting
- Abstract（参考訳）: 正確な効率的な交通予測は、インテリジェント交通システムの計画、管理、制御に不可欠である。
交通予測の最先端手法の多くは、時空間ニューラルネットワークを予測モデルとして用い、トランスフォーマーとともに予測対象(道路セグメントの交通状況など)のグローバルな情報を学ぶことによって、長期と短期の両方を効果的に予測する。
しかし、これらの手法は優れた性能を得るのに高い計算コストがかかることが多い。
本稿では,新しいST-Mambaブロックを特徴とする交通流予測モデルST-SSM(Spatial-Temporal Selective State Space Model)を提案する。
比較分析ではST-マンバ層の効率が強調され、3つの注意層に等価であるが、処理時間が大幅に短縮された。
多様な実世界のデータセットの厳密なテストを通じて、ST-SSMsモデルは予測精度と計算の単純さを例外的に改善し、トラフィックフロー予測領域に新しいベンチマークを設定する。
関連論文リスト
- Efficient and Robust Freeway Traffic Speed Estimation under Oblique Grid using Vehicle Trajectory Data [19.01488741469791]
斜め交通速度を正確に推定するための効率的でロバストな低ランクモデルを提案する。
提案手法は,TSEシナリオにおけるルート平均角誤差(RMSE)を最大12%改善する。
最先端のSOTA(State-of-the-art)メソッドよりも20倍以上高速に動作します。
論文 参考訳（メタデータ） (2024-11-06T15:13:40Z) - 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) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - A Multi-Channel Spatial-Temporal Transformer Model for Traffic Flow Forecasting [0.0]
交通流予測のための多チャンネル時空間変圧器モデルを提案する。
トラフィックデータの異なるチャネルから結果を抽出することにより、予測の精度を向上させる。
6つの実世界のデータセットの実験結果から,時間モデルにマルチチャネル機構を導入することにより,性能が向上することが示された。
論文 参考訳（メタデータ） (2024-05-10T06:37:07Z) - ST-MambaSync: The Complement of Mamba and Transformers for Spatial-Temporal in Traffic Flow Prediction [36.89741338367832]
本稿では,変圧器技術とST-Mambaブロックを組み合わせた,革新的な交通流予測モデルST-MambaSyncを紹介する。
我々は、トランスフォーマーフレームワーク内でResNetと統合されたアテンションメカニズムであるMambaメカニズムを採用する先駆者です。
論文 参考訳（メタデータ） (2024-04-24T14:41:41Z) - CCDSReFormer: Traffic Flow Prediction with a Criss-Crossed Dual-Stream Enhanced Rectified Transformer Model [32.45713037210818]
我々はCriss-Crossed Dual-Stream Enhanced Rectified Transformer Model (CCDSReFormer)を紹介する。
ReSSA(Enhanced Rectified Spatial Self-attention)、ReDASA(Enhanced Rectified Delay Aware Self-attention)、ReTSA(Enhanced Rectified Temporal Self-attention)の3つの革新的なモジュールが含まれている。
これらのモジュールは、疎注意による計算ニーズの低減、トラフィックダイナミクスの理解向上のためのローカル情報への注力、ユニークな学習手法による空間的および時間的洞察の融合を目的としている。
論文 参考訳（メタデータ） (2024-03-26T14:43:57Z) - AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。
同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。
そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文 参考訳（メタデータ） (2024-03-20T06:22:37Z) - Transport-Hub-Aware Spatial-Temporal Adaptive Graph Transformer for
Traffic Flow Prediction [10.722455633629883]
本稿では交通流予測のためのトランスポート・ハブ対応時空間適応型グラフ変換器を提案する。
具体的には、動的空間依存を捉えるために、まず新しい空間自己認識モジュールを設計する。
また、トラフィックフローデータ中の動的時間パターンを検出するために、時間的自己アテンションモジュールを用いる。
論文 参考訳（メタデータ） (2023-10-12T13:44:35Z) - 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) - Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。
我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。
本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文 参考訳（メタデータ） (2020-07-10T16:00:44Z) - 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。