論文の概要: DRAN: A Distribution and Relation Adaptive Network for Spatio-temporal Forecasting
- arxiv url: http://arxiv.org/abs/2504.01531v1
- Date: Wed, 02 Apr 2025 09:18:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-03 13:20:06.683985
- Title: DRAN: A Distribution and Relation Adaptive Network for Spatio-temporal Forecasting
- Title（参考訳）: DRAN:時空間予測のための分布適応型ネットワーク
- Authors: Xiaobei Zou, Luolin Xiong, Kexuan Zhang, Cesare Alippi, Yang Tang,
- Abstract要約: 本稿では、時間とともに変化に適応し、分散することができるリレーショナル・アダプティブ・ネットワーク・ディストリビューション(DRAN)を提案する。
本研究では,SFLが時間的操作の空間的関係を効率的に保存していることを示す。
本手法は,天気予報や交通予報における技術手法の状況に優れる。
- 参考スコア（独自算出の注目度）: 19.064628208136273
- License:
- Abstract: Accurate predictions of spatio-temporal systems' states are crucial for tasks such as system management, control, and crisis prevention. However, the inherent time variance of spatio-temporal systems poses challenges to achieving accurate predictions whenever stationarity is not granted. To address non-stationarity frameworks, we propose a Distribution and Relation Adaptive Network (DRAN) capable of dynamically adapting to relation and distribution changes over time. While temporal normalization and de-normalization are frequently used techniques to adapt to distribution shifts, this operation is not suitable for the spatio-temporal context as temporal normalization scales the time series of nodes and possibly disrupts the spatial relations among nodes. In order to address this problem, we develop a Spatial Factor Learner (SFL) module that enables the normalization and de-normalization process in spatio-temporal systems. To adapt to dynamic changes in spatial relationships among sensors, we propose a Dynamic-Static Fusion Learner (DSFL) module that effectively integrates features learned from both dynamic and static relations through an adaptive fusion ratio mechanism. Furthermore, we introduce a Stochastic Learner to capture the noisy components of spatio-temporal representations. Our approach outperforms state of the art methods in weather prediction and traffic flows forecasting tasks. Experimental results show that our SFL efficiently preserves spatial relationships across various temporal normalization operations. Visualizations of the learned dynamic and static relations demonstrate that DSFL can capture both local and distant relationships between nodes. Moreover, ablation studies confirm the effectiveness of each component.
- Abstract（参考訳）: 時空間システムの状態の正確な予測は、システム管理、制御、危機防止といったタスクに不可欠である。
しかし、時空間系固有の時間差は、定常性が認められないときに正確な予測を達成するのに困難をもたらす。
非定常性フレームワークに対処するため、時間とともに関係や分布の変化に動的に対応可能な分散・関係適応ネットワーク(DRAN)を提案する。
時間的正規化と非正規化は分布シフトに適応するために頻繁に用いられるが、この操作は時空間正規化がノードの時系列をスケールし、ノード間の空間的関係を乱すため、時空間文脈には適さない。
この問題に対処するため,時空間系における正規化と非正規化を可能にする空間因子学習器 (SFL) モジュールを開発した。
センサ間の空間的関係の動的変化に対応するために,動的・静的な関係から学習した特徴を適応的融合比機構により効果的に統合する動的統計融合学習モジュールを提案する。
さらに,時空間表現の雑音成分を抽出する確率学習器を導入する。
本手法は,天気予報や交通流予測タスクにおいて,最先端の手法よりも優れている。
実験の結果,SFLは時間的正規化操作の空間的関係を効率的に保存できることがわかった。
学習した動的および静的な関係の可視化は、DSFLがノード間の局所的および遠隔的関係の両方をキャプチャできることを示している。
さらに、アブレーション研究は各成分の有効性を確認した。
関連論文リスト
- SFADNet: Spatio-temporal Fused Graph based on Attention Decoupling Network for Traffic Prediction [4.868638426254428]
本稿では,空間的特徴量に基づいてトラフィックフローを複数のトラフィックパターンに分類する,革新的なトラフィックフロー予測ネットワークであるSFADNetを提案する。
各パターンに対して、残差グラフ畳み込みモジュールと時系列モジュールを用いて、相互アテンション機構に基づく独立適応時間融合グラフを構築する。
大規模な実験結果によると、SFADNetは大規模な4スケールのデータセットで現在の最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-01-07T09:09:50Z) - 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) - FedASTA: Federated adaptive spatial-temporal attention for traffic flow prediction [30.346763969306398]
モバイルデバイスとIoT(Internet of Things)デバイスは、今日では大量の異種空間時間データを生成している。
プライバシーの懸念の下で空間的時間的ダイナミクスをモデル化することは依然として難しい問題である。
動的空間時間関係をモデル化するための新しいFedASTAフレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-21T11:44:07Z) - Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。
一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。
本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
論文 参考訳（メタデータ） (2024-03-27T09:14:36Z) - Irregular Traffic Time Series Forecasting Based on Asynchronous Spatio-Temporal Graph Convolutional Network [46.409567044630116]
本稿では,不規則なトラフィック時系列予測に適した非同期時空間グラフ畳み込み nEtwoRk (ASeer) を提案する。
まず,適応的なトラフィック信号によって制御される非同期なトラフィック状態間の空間依存性をキャプチャする非同期グラフ拡散ネットワークを提案する。
そこで本研究では,時間認識型コンボリューションネットワークを提案し,時間認識型コンボリューションを時間認識型コンボリューションに適応させる。
論文 参考訳（メタデータ） (2023-08-31T15:49:21Z) - Enhancing the Robustness via Adversarial Learning and Joint
Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。
我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。
ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
論文 参考訳（メタデータ） (2022-08-05T09:36:55Z) - Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。
状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。
時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
論文 参考訳（メタデータ） (2021-10-26T17:35:21Z) - 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) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z) - 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。