Fugu-MT 論文翻訳(概要): T-Graphormer: Using Transformers for Spatiotemporal Forecasting

論文の概要: T-Graphormer: Using Transformers for Spatiotemporal Forecasting

arxiv url: http://arxiv.org/abs/2501.13274v1
Date: Wed, 22 Jan 2025 23:32:29 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-24 19:17:07.131367
Title: T-Graphormer: Using Transformers for Spatiotemporal Forecasting
Title（参考訳）: T-Graphormer:時空間予測にトランスフォーマーを使用する
Authors: Hao Yuan Bai, Xue Liu,
Abstract要約: 時間的ダイナミクスをモデル化するためのトランスフォーマーベースのアプローチであるTGraph-Graphormerを導入する。 TGraph-Graphormerのリアルタイムトラフィック予測ベンチマークに対する有効性を検証する。
参考スコア（独自算出の注目度）: 2.855856661274715
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time series data is ubiquitous and appears in all fields of study. In multivariate time series, observations are interconnected both temporally and across components. For instance, in traffic flow analysis, traffic speeds at different intersections exhibit complex spatiotemporal correlations. Modelling this dual structure poses significant challenges. Most existing forecasting methods tackle these challenges by separately learning spatial and temporal dependencies. In this work, we introduce T-Graphormer, a Transformer-based approach designed to model spatiotemporal correlations directly. Extending the Graphormer architecture to incorporate temporal dynamics, our method updates each node representation by selectively attending to all other nodes within a graph sequence. This design enables the model to capture rich spatiotemporal patterns with minimal reliance on predefined spacetime inductive biases. We validate the effectiveness of T-Graphormer on real-world traffic prediction benchmark datasets, achieving up to 10% reductions in both root mean squared error (RMSE) and mean absolute percentage error (MAPE) compared to state-of-the-art methods.
Abstract（参考訳）: 時系列データはユビキタスであり、あらゆる研究分野に現れる。多変量時系列では、観測は時間的にもコンポーネント間でも相互に行われる。例えば、交通流解析では、異なる交差点での交通速度は複雑な時空間相関を示す。この二重構造をモデル化することは大きな課題となる。既存の予測手法の多くは、空間的依存と時間的依存を別々に学習することでこれらの課題に対処している。本研究では,時空間相関を直接モデル化するトランスフォーマーを用いたT-Graphormerを提案する。時間的ダイナミクスを取り入れたGraphormerアーキテクチャを拡張して,グラフシーケンス内の他のすべてのノードに選択的に参加することで,各ノード表現を更新する。この設計により、事前定義された時空誘導バイアスに最小限の依存で、リッチな時空間パターンをキャプチャできる。実世界の交通予測ベンチマークデータセットにおけるT-Graphormerの有効性を検証し、最先端手法と比較して、ルート平均二乗誤差(RMSE)と平均絶対パーセンテージ誤差(MAPE)の双方で最大10%の削減を実現した。

関連論文リスト

Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
論文参考訳（メタデータ） (2024-03-14T02:26:10Z)
TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文参考訳（メタデータ） (2024-01-06T06:26:49Z)
FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
論文参考訳（メタデータ） (2023-11-10T17:13:26Z)
Mending of Spatio-Temporal Dependencies in Block Adjacency Matrix [3.529869282529924]
本稿では,時間的依存を考慮に入れた新たなエンドツーエンド学習アーキテクチャを提案する。提案手法は,SurgVisDomやC2D2などのベンチマークデータセット上での優れた性能を示す。
論文参考訳（メタデータ） (2023-10-04T06:42:33Z)
Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文参考訳（メタデータ） (2022-02-17T02:17:31Z)
Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-25T08:45:14Z)
TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文参考訳（メタデータ） (2021-05-17T15:33:25Z)
Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文参考訳（メタデータ） (2021-04-27T18:17:42Z)
Unified Spatio-Temporal Modeling for Traffic Forecasting using Graph Neural Network [2.7088996845250897]
このような分解加群との複素時間的関係を抽出するのは時間的効果が低いと我々は主張する。空間的および時間的アグリゲーションを行う交通予測のための統一S週間グラフ畳み込み(USTGCN)を提案する。我々のモデルUSTGCNは3つの人気のあるベンチマークデータセットで最先端のパフォーマンスを上回ります。
論文参考訳（メタデータ） (2021-04-26T12:33:17Z)
Spatio-Temporal Graph Scattering Transform [54.52797775999124]
グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
論文参考訳（メタデータ） (2020-12-06T19:49:55Z)
Efficient Variational Bayesian Structure Learning of Dynamic Graphical Models [19.591265962713837]
時間変化のグラフィカルモデルの推定は、様々な社会的、経済的、生物学的、工学的システムにおいて最重要となる。既存の手法では、グラフの間隔と時間的滑らかさを制御するパラメータを広範囲にチューニングする必要がある。我々はBADGEという低複素性チューニング自由ベイズアプローチを提案する。
論文参考訳（メタデータ） (2020-09-16T14:19:23Z)

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。