論文の概要: Enhancing short-term traffic prediction by integrating trends and fluctuations with attention mechanism

• arxiv url: http://arxiv.org/abs/2504.19967v1
• Date: Mon, 28 Apr 2025 16:38:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.513987
• Title: Enhancing short-term traffic prediction by integrating trends and fluctuations with attention mechanism
• Title（参考訳）: 注意機構によるトレンドと変動の統合による短期交通予測の強化
• Authors: Adway Das, Agnimitra Sengupta, S. Ilgin Guler,
• Abstract要約: 本研究では,長期的傾向と短期的変動情報を統合したハイブリッドなディープラーニングフレームワークを提案する。 両ブランチから得られた特徴が相補的であることを示し,適合性統計を著しく改善した。 この枠組みは、より効果的な渋滞緩和と都市移動計画に寄与することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic flow prediction is a critical component of intelligent transportation systems, yet accurately forecasting traffic remains challenging due to the interaction between long-term trends and short-term fluctuations. Standard deep learning models often struggle with these challenges because their architectures inherently smooth over fine-grained fluctuations while focusing on general trends. This limitation arises from low-pass filtering effects, gate biases favoring stability, and memory update mechanisms that prioritize long-term information retention. To address these shortcomings, this study introduces a hybrid deep learning framework that integrates both long-term trend and short-term fluctuation information using two input features processed in parallel, designed to capture complementary aspects of traffic flow dynamics. Further, our approach leverages attention mechanisms, specifically Bahdanau attention, to selectively focus on critical time steps within traffic data, enhancing the model's ability to predict congestion and other transient phenomena. Experimental results demonstrate that features learned from both branches are complementary, significantly improving the goodness-of-fit statistics across multiple prediction horizons compared to a baseline model. Notably, the attention mechanism enhances short-term forecast accuracy by directly targeting immediate fluctuations, though challenges remain in fully integrating long-term trends. This framework can contribute to more effective congestion mitigation and urban mobility planning by advancing the robustness and precision of traffic prediction models.
• Abstract（参考訳）: 交通流予測はインテリジェント交通システムにおいて重要な要素であるが,長期的トレンドと短期的変動との相互作用により,交通の正確な予測は依然として困難である。 標準的なディープラーニングモデルは、一般的に傾向に注目しながら、アーキテクチャがきめ細かいゆらぎよりも本質的に滑らかであるため、これらの課題に苦慮することが多い。 この制限は、低パスフィルタリング効果、安定性を優先するゲートバイアス、長期情報保持を優先するメモリ更新メカニズムから生じる。 これらの欠点に対処するために,交通流力学の相補的な側面を捉えるように設計された2つの入力特徴を用いて,長期的傾向と短期的変動情報を統合したハイブリッドディープラーニングフレームワークを提案する。 さらに,本手法では,特にバハダナウの注意機構を活用して,交通データ内の重要な時間ステップに選択的に焦点を合わせ,混雑やその他の過渡現象を予測するモデルの能力を高める。 実験の結果、両枝から得られた特徴は相補的であり、ベースラインモデルと比較して、複数の予測地平線にまたがる適合性統計を著しく改善することが示された。 特に、注意機構は、短期的な予測精度を即時変動を直接狙うことによって向上させるが、長期的な傾向を十分に統合する上での課題は残る。 この枠組みは,交通予測モデルの堅牢性と高精度化を推し進めることで,より効率的な渋滞緩和と都市移動計画に寄与することができる。

関連論文リスト

• Multi-View Neural Differential Equations for Continuous-Time Stream Data in Long-Term Traffic Forecasting [10.70370586311912]
  我々は,Multi-View Neural Differential Equationsと呼ばれる新しいNDEアーキテクチャを提案する。 我々のモデルは、遅延した複数の表現を学習することで、現在の状態、遅延状態、および異なる状態変数(ビュー)の傾向を捉えます。 提案手法は最先端技術より優れ,ノイズや入力の欠如による堅牢性を実現している。
  論文  参考訳（メタデータ） (2024-08-12T18:49:02Z)
• 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)
• Spatiotemporal Forecasting of Traffic Flow using Wavelet-based Temporal Attention [3.049645421090079]
  本稿では,ウェーブレットに基づく動的グラフニューラルネットワーク(DS-DSNN)を交通予測問題に対処するための時間的アテンションモデルを提案する。 提案手法は動的時間的および空間的ベンチマークをよりよく処理し,信頼性の高い長期予測を行う。
  論文  参考訳（メタデータ） (2024-07-05T11:42:39Z)
• 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)
• Multi-agent Traffic Prediction via Denoised Endpoint Distribution [23.767783008524678]
  高速での軌道予測には歴史的特徴と周囲の物体との相互作用が必要である。 軌道予測のためのDenoized Distributionモデルを提案する。 我々のアプローチは、エンドポイント情報によるモデルの複雑さとパフォーマンスを著しく削減します。
  論文  参考訳（メタデータ） (2024-05-11T15:41:32Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• 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)
• 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)
• Bootstrap Motion Forecasting With Self-Consistent Constraints [52.88100002373369]
  自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。 運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。 提案手法は,既存手法の予測性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2022-04-12T14:59:48Z)
• An Effective Dynamic Spatio-temporal Framework with Multi-Source Information for Traffic Prediction [0.22940141855172028]
  提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度を約3～7%向上する。 実験の結果,提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度が約3～7%向上した。
  論文  参考訳（メタデータ） (2020-05-08T14:23:52Z)
• 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。