論文の概要: Extralonger: Toward a Unified Perspective of Spatial-Temporal Factors for Extra-Long-Term Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2411.00844v1
• Date: Wed, 30 Oct 2024 04:28:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 21:28:21.145841
• Title: Extralonger: Toward a Unified Perspective of Spatial-Temporal Factors for Extra-Long-Term Traffic Forecasting
• Title（参考訳）: Exlonger: 長期交通予測のための空間的時間的要因の統一的視点に向けて
• Authors: Zhiwei Zhang, Shaojun E, Fandong Meng, Jie Zhou, Wenjuan Han,
• Abstract要約: 時間的・空間的要因を統一するExtralongerを導入する。 これは特に、現実のベンチマークで1週間まで予測の地平を広げている。 長期および長期のシナリオで新しい標準を設定する。
• 参考スコア（独自算出の注目度）: 69.4265346261936
• License:
• Abstract: Traffic forecasting plays a key role in Intelligent Transportation Systems, and significant strides have been made in this field. However, most existing methods can only predict up to four hours in the future, which doesn't quite meet real-world demands. we identify that the prediction horizon is limited to a few hours mainly due to the separation of temporal and spatial factors, which results in high complexity. Drawing inspiration from Albert Einstein's relativity theory, which suggests space and time are unified and inseparable, we introduce Extralonger, which unifies temporal and spatial factors. Extralonger notably extends the prediction horizon to a week on real-world benchmarks, demonstrating superior efficiency in the training time, inference time, and memory usage. It sets new standards in long-term and extra-long-term scenarios. The code is available at https://github.com/PlanckChang/Extralonger.
• Abstract（参考訳）: 交通予測はインテリジェントトランスポーテーションシステムにおいて重要な役割を担い、この分野では大きな進歩を遂げている。 しかし、既存のほとんどのメソッドは、将来的に最大4時間しか予測できません。 予測の地平線は、主に時間的要因と空間的要因の分離が原因で数時間に限られており、結果として複雑さが高いことが判明した。 アルベルト・アインシュタインの相対性理論から着想を得て、空間と時間が統一され、分離できないことを示唆し、時間的および空間的要素を統一するエクストラロングを導入した。 Exlongerは、トレーニング時間、推論時間、メモリ使用量において優れた効率性を示すために、予測の地平を現実世界のベンチマークで1週間にまで拡張している。 長期および長期のシナリオで新しい標準を設定する。 コードはhttps://github.com/PlanckChang/Extralonger.comで公開されている。

関連論文リスト

• Rethinking Spatio-Temporal Transformer for Traffic Prediction:Multi-level Multi-view Augmented Learning Framework [4.773547922851949]
  トラフィックは、非常に複雑なセマンティックな相関を含む、困難な時間的予測問題である。 本稿では,交通予測のためのマルチレベル多視点時間変換器(LVST)を提案する。
  論文  参考訳（メタデータ） (2024-06-17T07:36:57Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• STF: Spatial Temporal Fusion for Trajectory Prediction [18.359362362173098]
  軌道予測は、車や歩行者の将来の軌道を短時間で予測することを目的とした課題である。 モデルが捉えることができる情報が多ければ多いほど、将来の軌道はより正確に予測できる。 本研究では,空間的エッジと時間的エッジを一体化した3Dグラフを提案する。
  論文  参考訳（メタデータ） (2023-11-29T23:31:40Z)
• Representation learning of rare temporal conditions for travel time prediction [9.245862463309598]
  稀な時間条件を符号化するベクトル空間モデルを提案し、時間条件の異なるコヒーレントな表現学習を可能にする。 ベクトル空間符号化を用いて時間的設定を表現する場合、異なる基準線上での走行時間予測の性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-08-09T11:21:10Z)
• STAU: A SpatioTemporal-Aware Unit for Video Prediction and Beyond [78.129039340528]
  本稿では,映像予測などのための時間認識ユニット(STAU)を提案する。 我々のSTAUは、性能と効率の点で、全てのタスクにおける他のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-04-20T13:42:51Z)
• Decoupling Long- and Short-Term Patterns in Spatiotemporal Inference [31.245426664456257]
  高価なため、大量のセンサーを配備するのは現実的ではない。 きめ細かいデータ測定の仕方は、長い間、迫りくる問題だった。 本稿では,短期パターンの空間的および時間的関係を学習するためのグラフ時間的注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-09-16T03:06:31Z)
• From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
  将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。 我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。 また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
  論文  参考訳（メタデータ） (2020-12-02T21:01:29Z)
• Physics-informed Tensor-train ConvLSTM for Volumetric Velocity Forecasting of Loop Current [6.016102212809306]
  ループカレント(英: Loop Current)は、メキシコ湾におけるループカレント(LC)の速度、垂直構造、持続時間の週間予測である。 本稿では3次元地理空間データ予測のための物理インフォームド空間訓練ConvLSTMの有効性を示す。
  論文  参考訳（メタデータ） (2020-08-04T19:55:57Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• 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。