論文の概要: Neural Canonical Polyadic Factorization for Traffic Analysis

• arxiv url: http://arxiv.org/abs/2506.15079v2
• Date: Mon, 30 Jun 2025 04:06:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 15:08:39.757219
• Title: Neural Canonical Polyadic Factorization for Traffic Analysis
• Title（参考訳）: 交通分析のためのニューラルカノニカルポリエイド因子化
• Authors: Yikai Hou, Peng Tang,
• Abstract要約: ポリadic Factorization (NCPF) モデルは、堅牢なトラフィックデータ計算のためのディープラーニングと低ランクテンソル代数を相乗化する。 NCPFは、高次元のトラフィックデータ計算に対する原則的かつ柔軟なアプローチを提供する。
• 参考スコア（独自算出の注目度）: 5.734615417239977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern intelligent transportation systems rely on accurate spatiotemporal traffic analysis to optimize urban mobility and infrastructure resilience. However, pervasive missing data caused by sensor failures and heterogeneous sensing gaps fundamentally hinders reliable traffic modeling. This paper proposes a Neural Canonical Polyadic Factorization (NCPF) model that synergizes low-rank tensor algebra with deep representation learning for robust traffic data imputation. The model innovatively embeds CP decomposition into neural architecture through learnable embedding projections, where sparse traffic tensors are encoded into dense latent factors across road segments, time intervals, and mobility metrics. A hierarchical feature fusion mechanism employs Hadamard products to explicitly model multilinear interactions, while stacked multilayer perceptron layers nonlinearly refine these representations to capture complex spatiotemporal couplings. Extensive evaluations on six urban traffic datasets demonstrate NCPF's superiority over six state-of-the-art baselines. By unifying CP decomposition's interpretable factor analysis with neural network's nonlinear expressive power, NCPF provides a principled yet flexible approaches for high-dimensional traffic data imputation, offering critical support for next-generation transportation digital twins and adaptive traffic control systems.
• Abstract（参考訳）: 現代のインテリジェント交通システムは、都市のモビリティとインフラのレジリエンスを最適化するために、正確な時空間交通分析に依存している。 しかし、センサの故障や不均一なセンサギャップに起因する広範囲なデータ不足は、信頼性の高いトラフィックモデリングを根本的に妨げている。 本稿では,低ランクテンソル代数と深い表現学習を併用し,ロバストなトラフィックデータ計算のためのニューラルカノニカル多進因子分解(NCPF)モデルを提案する。 このモデルは、学習可能な埋め込みプロジェクションを通じて、CP分解をニューラルネットワークアーキテクチャに革新的に埋め込む。 階層的特徴融合機構では、アダマール積を用いてマルチ線形相互作用を明示的にモデル化する一方、積み重ねられた多層パーセプトロン層は複雑な時空間結合を捉えるためにこれらの表現を非線形に洗練する。 6つの都市交通データセットの大規模な評価は、NCPFが6つの最先端ベースラインよりも優れていることを示している。 NCPFは、CP分解の解釈可能な因子分析をニューラルネットワークの非線形表現力と統一することにより、高次元のトラフィックデータ計算に対する原則的かつ柔軟なアプローチを提供し、次世代のデジタルツインと適応的なトラフィック制御システムに対して重要なサポートを提供する。

関連論文リスト

• Network-wide Freeway Traffic Estimation Using Sparse Sensor Data: A Dirichlet Graph Auto-Encoder Approach [15.487715528848456]
  ネットワークワイドトラフィック状態推定(TSE)は、わずかに配置されたセンサを用いて、ネットワークトラフィック状態の完全なイメージを推測することを目的としている。 DEFP for Directed graph (DEFP4D)は、DEFP4D(DEFP4D)の理論的導出によるこれらの課題に対処する。 3つのトラフィックデータセットの実験により、DGAEは既存のSOTA法より優れ、都市間転送性が強いことを示した。
  論文  参考訳（メタデータ） (2025-03-20T04:58:50Z)
• 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)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• 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)
• Decoupled Dynamic Spatial-Temporal Graph Neural Network for Traffic Forecasting [27.82230529014677]
  道路網における交通状況を予測する能力は重要な機能であり、課題である。 近年の時空間グラフニューラルネットワークの提案は,交通データにおける複雑な時空間相関のモデル化において大きな進歩を遂げている。 本稿では,データ駆動方式で拡散と固有トラフィック情報を分離する分散空間時間フレームワーク(DSTF)を提案する。
  論文  参考訳（メタデータ） (2022-06-18T04:14:38Z)
• A spatial-temporal short-term traffic flow prediction model based on dynamical-learning graph convolution mechanism [0.0]
  短期的な交通流予測は知的交通システム(ITS)の重要な分岐であり、交通管理において重要な役割を果たしている。 グラフ畳み込みネットワーク(GCN)は道路網のグラフィカルな構造データを扱うために交通予測モデルで広く利用されている。 この欠点に対処するために、新しい位置グラフ畳み込みネットワーク(Location-GCN)を提案する。
  論文  参考訳（メタデータ） (2022-05-10T09:19:12Z)
• Learning dynamic and hierarchical traffic spatiotemporal features with Transformer [4.506591024152763]
  本稿では,空間時間グラフモデリングと長期交通予測のための新しいモデルであるTraffic Transformerを提案する。 Transformerは自然言語処理(NLP)で最も人気のあるフレームワークです。 注目重量行列を解析すれば 道路網の 影響力のある部分を見つけられる 交通網をよりよく学べる
  論文  参考訳（メタデータ） (2021-04-12T02:29:58Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)

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。