論文の概要: Decoupling Spatio-Temporal Prediction: When Lightweight Large Models Meet Adaptive Hypergraphs

• arxiv url: http://arxiv.org/abs/2505.19620v1
• Date: Mon, 26 May 2025 07:37:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.248714
• Title: Decoupling Spatio-Temporal Prediction: When Lightweight Large Models Meet Adaptive Hypergraphs
• Title（参考訳）: 時空間予測のデカップリング--適応ハイパーグラフを用いた軽量大モデルの場合
• Authors: Jiawen Chen, Qi Shao, Duxin Chen, Wenwu Yu,
• Abstract要約: STH-SepNetは、時間的および空間的表現性を効率と精度の両方に分離する新しいフレームワークである。 S-SepNetは、現実世界のアプリケーションにおける時間予測のための実用的でスケーラブルなソリューションを提供する。 この作業は、計算要求の削減と予測性能の向上を目的とした、時間的予測のための有望な軽量フレームワークを提供する可能性がある。
• 参考スコア（独自算出の注目度）: 12.867023510751787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal prediction is a pivotal task with broad applications in traffic management, climate monitoring, energy scheduling, etc. However, existing methodologies often struggle to balance model expressiveness and computational efficiency, especially when scaling to large real-world datasets. To tackle these challenges, we propose STH-SepNet (Spatio-Temporal Hypergraph Separation Networks), a novel framework that decouples temporal and spatial modeling to enhance both efficiency and precision. Therein, the temporal dimension is modeled using lightweight large language models, which effectively capture low-rank temporal dynamics. Concurrently, the spatial dimension is addressed through an adaptive hypergraph neural network, which dynamically constructs hyperedges to model intricate, higher-order interactions. A carefully designed gating mechanism is integrated to seamlessly fuse temporal and spatial representations. By leveraging the fundamental principles of low-rank temporal dynamics and spatial interactions, STH-SepNet offers a pragmatic and scalable solution for spatio-temporal prediction in real-world applications. Extensive experiments on large-scale real-world datasets across multiple benchmarks demonstrate the effectiveness of STH-SepNet in boosting predictive performance while maintaining computational efficiency. This work may provide a promising lightweight framework for spatio-temporal prediction, aiming to reduce computational demands and while enhancing predictive performance. Our code is avaliable at https://github.com/SEU-WENJIA/ST-SepNet-Lightweight-LLMs-Meet-Adaptive-Hypergraphs.
• Abstract（参考訳）: 時空間予測は、交通管理、気候モニタリング、エネルギースケジューリングなどの幅広い応用において重要な課題である。 しかしながら、既存の方法論はモデル表現性と計算効率のバランスをとるのに苦労することが多い。 これらの課題に対処するために、時間的・空間的モデリングを分離し、効率と精度を両立させる新しいフレームワークであるSTH-SepNet(Spatio-Temporal Hypergraph Separation Networks)を提案する。 これにより、時間次元は軽量な大言語モデルを用いてモデル化され、低ランク時間ダイナミクスを効果的に捉えることができる。 同時に、空間次元は適応的なハイパーグラフニューラルネットワークを介して対処され、これは複雑な高次相互作用をモデル化するためにハイパーエッジを動的に構築する。 慎重に設計されたゲーティング機構は、時間的および空間的表現をシームレスに融合するために統合される。 STH-SepNetは低ランク時空間力学と空間相互作用の基本原理を活用することで、実世界のアプリケーションにおいて時空間の時空間予測のための実用的でスケーラブルなソリューションを提供する。 複数のベンチマークにわたる大規模な実世界のデータセットに関する大規模な実験は、計算効率を維持しながら予測性能を向上させるSTH-SepNetの有効性を実証している。 この作業は、計算要求の削減と予測性能の向上を目的として、時空間予測のための有望な軽量フレームワークを提供する。 私たちのコードはhttps://github.com/SEU-WENJIA/ST-SepNet-Lightweight-LLMs-Meet-Adaptive-Hypergraphsで検証できます。

関連論文リスト

• PreMixer: MLP-Based Pre-training Enhanced MLP-Mixers for Large-scale Traffic Forecasting [30.055634767677823]
  都市コンピューティングでは,交通ネットワークからの時系列データの正確かつ迅速な予測が重要である。 現在の研究制限は、モデル固有の非効率性と、モデル複雑さによる大規模トラフィックアプリケーションに対する不適合性のためである。 本稿では,このギャップを埋めるための新しいフレームワークPreMixerを提案する。MLP(Multi-Layer Perceptrons)の原理に基づく予測モデルと事前学習機構を特徴とする。 我々のフレームワークは,大規模トラフィックデータセットの広範な実験により検証され,高い計算効率を維持しながら,同等の最先端性能を実現している。
  論文  参考訳（メタデータ） (2024-12-18T08:35:40Z)
• Generative Spatio-temporal GraphNet for Transonic Wing Pressure Distribution Forecasting [0.0]
  このフレームワークは、オートエンコーダを用いて、高次元の圧力分布データを低次元の潜在空間に圧縮する。 グラフベースの時間層は、過去のデータに基づいて将来の翼圧力を予測するために使用される。 提案フレームワークの有効性は,Benchmark Super critical Wingテストケースへの適用を通じて検証される。
  論文  参考訳（メタデータ） (2024-11-18T14:10:20Z)
• 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)
• Dynamical system prediction from sparse observations using deep neural networks with Voronoi tessellation and physics constraint [12.638698799995815]
  本稿では,Voronoi Tessellation (DSOVT) フレームワークを用いたスパース観測からの動的システム予測について紹介する。 ボロノイテッセルレーションと深層学習モデルを統合することで、DSOVTは疎く非構造的な観測で力学系の予測に適している。 純粋にデータ駆動モデルと比較して、我々の物理学に基づくアプローチは、明示的に定式化された力学の中で物理法則を学習することができる。
  論文  参考訳（メタデータ） (2024-08-31T13:43:52Z)
• 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)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• GraphTCN: Spatio-Temporal Interaction Modeling for Human Trajectory Prediction [5.346782918364054]
  我々は,より効率的かつ正確な軌道予測を支援するために,新しいCNNベースの時空間グラフフレームワークGraphCNTを提案する。 従来のモデルとは対照的に,我々のモデルにおける空間的・時間的モデリングは各局所時間ウィンドウ内で計算される。 本モデルは,様々な軌道予測ベンチマークデータセットの最先端モデルと比較して,効率と精度の両面で優れた性能を実現する。
  論文  参考訳（メタデータ） (2020-03-16T12:56:12Z)

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。