論文の概要: STAMImputer: Spatio-Temporal Attention MoE for Traffic Data Imputation

• arxiv url: http://arxiv.org/abs/2506.08054v2
• Date: Wed, 11 Jun 2025 02:33:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-12 16:13:48.037629
• Title: STAMImputer: Spatio-Temporal Attention MoE for Traffic Data Imputation
• Title（参考訳）: STAMImputer: トラフィックデータインプットのための時空間注意モード
• Authors: Yiming Wang, Hao Peng, Senzhang Wang, Haohua Du, Chunyang Liu, Jia Wu, Guanlin Wu,
• Abstract要約: 既存のタイム・ツー・スペースのメソッドは、ブロック単位で欠落したデータシナリオの特徴を効果的に抽出することができないことが多い。 本稿では,トラフィックデータ計算のためのSTAMImputerという,専門家ネットワークの時空間注意混合方式を提案する。 その結果,STAMImputer は既存の SOTA 手法に比べて性能が大幅に向上した。
• 参考スコア（独自算出の注目度）: 36.880711201508085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic data imputation is fundamentally important to support various applications in intelligent transportation systems such as traffic flow prediction. However, existing time-to-space sequential methods often fail to effectively extract features in block-wise missing data scenarios. Meanwhile, the static graph structure for spatial feature propagation significantly constrains the models flexibility in handling the distribution shift issue for the nonstationary traffic data. To address these issues, this paper proposes a SpatioTemporal Attention Mixture of experts network named STAMImputer for traffic data imputation. Specifically, we introduce a Mixture of Experts (MoE) framework to capture latent spatio-temporal features and their influence weights, effectively imputing block missing. A novel Low-rank guided Sampling Graph ATtention (LrSGAT) mechanism is designed to dynamically balance the local and global correlations across road networks. The sampled attention vectors are utilized to generate dynamic graphs that capture real-time spatial correlations. Extensive experiments are conducted on four traffic datasets for evaluation. The result shows STAMImputer achieves significantly performance improvement compared with existing SOTA approaches. Our codes are available at https://github.com/RingBDStack/STAMImupter.
• Abstract（参考訳）: 交通データ計算は,交通流予測などのインテリジェント交通システムにおける様々な応用を支援するために,基本的に重要である。 しかし、既存の時間から空間までのシーケンシャルメソッドは、ブロック単位で欠落したデータシナリオの特徴を効果的に抽出することができないことが多い。 一方、空間的特徴伝搬のための静的グラフ構造は、非定常トラフィックデータの分布シフト問題を扱う際のモデルの柔軟性を著しく制限する。 これらの問題に対処するために,STAMImputer という名の専門家ネットワークの時空間注意混合方式を提案する。 具体的には、潜時空間的特徴とその影響重みを捉えるために、Mixture of Experts (MoE) フレームワークを導入し、ブロックの欠落を効果的に示唆する。 LrSGAT(Low-rank guided Sampling Graph Attention)機構は,道路ネットワーク間の局所的および大域的相関を動的にバランスさせるように設計されている。 サンプリングされた注目ベクトルを用いて、リアルタイム空間相関をキャプチャする動的グラフを生成する。 評価のための4つのトラフィックデータセットに対して大規模な実験を行う。 その結果,STAMImputer は既存の SOTA 手法に比べて性能が大幅に向上した。 私たちのコードはhttps://github.com/RingBDStack/STAMImupter.comで公開されています。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Dynamic Frequency Domain Graph Convolutional Network for Traffic Forecasting [33.538633286142264]
  ランダム要因による交通パターンと騒音の時間変化は、データ駆動型空間依存モデリングを妨げている。 本研究では,空間依存性を捉えるために,新しい動的周波数領域グラフ畳み込みネットワーク(DFDGCN)を提案する。 実世界の4つのデータセットの実験において,本モデルは有効であり,ベースラインを上回っている。
  論文  参考訳（メタデータ） (2023-12-19T08:20:09Z)
• Transport-Hub-Aware Spatial-Temporal Adaptive Graph Transformer for Traffic Flow Prediction [9.99440375621286]
  本稿では交通流予測のためのトランスポート・ハブ対応時空間適応型グラフ変換器を提案する。 具体的には、動的空間依存を捉えるために、まず新しい空間自己認識モジュールを設計する。 また、トラフィックフローデータ中の動的時間パターンを検出するために、時間的自己アテンションモジュールを用いる。
  論文  参考訳（メタデータ） (2023-10-12T13:44:35Z)
• 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)
• STLGRU: Spatio-Temporal Lightweight Graph GRU for Traffic Flow Prediction [0.40964539027092917]
  本稿では,交通流を正確に予測する新しい交通予測モデルSTLGRUを提案する。 提案するSTLGRUは,交通ネットワークの局所的・大域的空間的関係を効果的に捉えることができる。 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） (2022-12-08T20:24:59Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
  本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。 実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
  論文  参考訳（メタデータ） (2022-07-21T10:19:07Z)

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。