論文の概要: Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting

• arxiv url: http://arxiv.org/abs/2411.09251v1
• Date: Thu, 14 Nov 2024 07:34:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:25:08.928734
• Title: Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting
• Title（参考訳）: 空間と時間:交通流予測のための時空間単位モデル
• Authors: Weilin Ruan, Wenzhuo Wang, Siru Zhong, Wei Chen, Li Liu, Yuxuan Liang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.782154479264126
• License:
• Abstract: Predicting spatio-temporal traffic flow presents significant challenges due to complex interactions between spatial and temporal factors. Existing approaches often address these dimensions in isolation, neglecting their critical interdependencies. In this paper, we introduce the Spatio-Temporal Unitized Model (STUM), a unified framework designed to capture both spatial and temporal dependencies while addressing spatio-temporal heterogeneity through techniques such as distribution alignment and feature fusion. It also ensures both predictive accuracy and computational efficiency. Central to STUM is the Adaptive Spatio-temporal Unitized Cell (ASTUC), which utilizes low-rank matrices to seamlessly store, update, and interact with space, time, as well as their correlations. Our framework is also modular, allowing it to integrate with various spatio-temporal graph neural networks through components such as backbone models, feature extractors, residual fusion blocks, and predictive modules to collectively enhance forecasting outcomes. Experimental results across multiple real-world datasets demonstrate that STUM consistently improves prediction performance with minimal computational cost. These findings are further supported by hyperparameter optimization, pre-training analysis, and result visualization. We provide our source code for reproducibility at https://anonymous.4open.science/r/STUM-E4F0.
• Abstract（参考訳）: 時空間交通流の予測は,空間的要因と時間的要因の複雑な相互作用に起因する重要な課題である。 既存のアプローチは、しばしばこれらの次元を分離して扱い、それらの重要な相互依存を無視します。 本稿では,空間的および時間的依存関係を捕捉し,分散アライメントや特徴融合といった手法によって時空間の不均一性に対処する統合フレームワークである時空間統一モデル(STUM)を提案する。 また、予測精度と計算効率の両方を保証する。 STUMの中心は適応時空間統一細胞(ASTUC)であり、低ランク行列を用いて空間、時間、およびそれらの相関関係をシームレスに保存し、更新し、相互作用する。 バックボーンモデル,特徴抽出器,残差融合ブロック,予測モジュールなどのコンポーネントを通じて,さまざまな時空間グラフニューラルネットワークを統合して,予測結果を総合的に強化する。 複数の実世界のデータセットにまたがる実験結果から、STUMは最小計算コストで予測性能を一貫して改善することを示した。 これらの結果は、ハイパーパラメータ最適化、事前学習分析、結果の可視化によってさらに支持されている。 再現性に関するソースコードはhttps://anonymous.4open.science/r/STUM-E4F0で公開しています。

関連論文リスト

• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• STD-PLM: Understanding Both Spatial and Temporal Properties of Spatial-Temporal Data with PLM [18.56267873980915]
  STD-PLMは時空間予測と計算処理の両方を実装できる。 STD-PLMは、明示的に設計された空間的および時間的トークン化器を通して空間的時間的相関を理解する。 STD-PLMは予測タスクと計算タスクの競合性能と一般化能力を示す。
  論文  参考訳（メタデータ） (2024-07-12T08:48:16Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• A Decoupled Spatio-Temporal Framework for Skeleton-based Action Segmentation [89.86345494602642]
  既存の手法は、弱い時間的モデリング能力に制限されている。 この問題に対処するために、Decoupled Scoupled Framework (DeST)を提案する。 DeSTは計算量が少なく、現在の最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2023-12-10T09:11:39Z)
• GATGPT: A Pre-trained Large Language Model with Graph Attention Network for Spatiotemporal Imputation [19.371155159744934]
  実世界の環境では、センサーの故障やデータ転送エラーなどの問題により、そのようなデータには欠落する要素がしばしば含まれる。 時間的計算の目的は、観測された時系列における固有の空間的および時間的関係を理解することによって、これらの欠落値を推定することである。 伝統的に、複雑な時間的計算は特定のアーキテクチャに依存しており、適用可能性の制限と高い計算複雑性に悩まされている。 対照的に、我々のアプローチは、事前訓練された大規模言語モデル(LLM)を複雑な時間的インプットに統合し、画期的なフレームワークであるGATGPTを導入している。
  論文  参考訳（メタデータ） (2023-11-24T08:15:11Z)
• 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)
• Spatio-temporal Diffusion Point Processes [23.74522530140201]
  パティオ・テンポラル・ポイント・プロセス(英: patio-temporal point process、STPP)は、時間と空間を伴うイベントの集合である。 結合分布のモデル化に失敗すると、与えられた事象の過去の時間的相互作用を特徴づける能力は限られる。 複雑な時空間の関節分布を学習する新しいパラメータ化フレームワークを提案する。 我々のフレームワークは最先端のベースラインを著しく上回り、平均50%以上の改善がなされています。
  論文  参考訳（メタデータ） (2023-05-21T08:53:00Z)
• Towards Spatio-Temporal Aware Traffic Time Series Forecasting--Full Version [37.09531298150374]
  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。
  論文  参考訳（メタデータ） (2022-03-29T16:44:56Z)
• Spatio-Temporal Functional Neural Networks [11.73856529960872]
  本稿では,多くの研究者によって有効性が証明された時間回帰モデルであるニューラル・ファンクショナル・ネットワーク(FNN)の2つの新しい拡張を提案する。 提案したモデルは気象分野における実用的で挑戦的な降水予測問題を解決するために展開される。
  論文  参考訳（メタデータ） (2020-09-11T21:32:35Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• 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。