Fugu-MT 論文翻訳(概要): A Joint Topology-Data Fusion Graph Network for Robust Traffic Speed Prediction with Data Anomalism

論文の概要: A Joint Topology-Data Fusion Graph Network for Robust Traffic Speed Prediction with Data Anomalism

arxiv url: http://arxiv.org/abs/2507.00085v1
Date: Mon, 30 Jun 2025 06:33:47 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-03 14:22:58.345832
Title: A Joint Topology-Data Fusion Graph Network for Robust Traffic Speed Prediction with Data Anomalism
Title（参考訳）: データ異常を考慮したロバスト交通速度予測のためのトポロジ-データ融合グラフネットワーク
Authors: Ruiyuan Jiang, Dongyao Jia, Eng Gee Lim, Pengfei Fan, Yuli Zhang, Shangbo Wang,
Abstract要約: 本稿では,ネットワークレベルのトラフィック速度予測のための革新的なフレームワークであるGraph Fusion Enhanced Network (GFEN)を提案する。 GFENは、トレーニング可能な手法を用いて、データ分布とネットワークトポロジの両方から空間時間相関を抽出する。実験により、GFENは最先端の手法を約6.3%超え、予測精度と収束速度は最近のハイブリッドモデルの約2倍速くなることが示された。
参考スコア（独自算出の注目度）: 12.43932698231744
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate traffic prediction is essential for Intelligent Transportation Systems (ITS), yet current methods struggle with the inherent complexity and non-linearity of traffic dynamics, making it difficult to integrate spatial and temporal characteristics. Furthermore, existing approaches use static techniques to address non-stationary and anomalous historical data, which limits adaptability and undermines data smoothing. To overcome these challenges, we propose the Graph Fusion Enhanced Network (GFEN), an innovative framework for network-level traffic speed prediction. GFEN introduces a novel topological spatiotemporal graph fusion technique that meticulously extracts and merges spatial and temporal correlations from both data distribution and network topology using trainable methods, enabling the modeling of multi-scale spatiotemporal features. Additionally, GFEN employs a hybrid methodology combining a k-th order difference-based mathematical framework with an attention-based deep learning structure to adaptively smooth historical observations and dynamically mitigate data anomalies and non-stationarity. Extensive experiments demonstrate that GFEN surpasses state-of-the-art methods by approximately 6.3% in prediction accuracy and exhibits convergence rates nearly twice as fast as recent hybrid models, confirming its superior performance and potential to significantly enhance traffic prediction system efficiency.
Abstract（参考訳）: インテリジェントトランスポーテーションシステム(ITS)にとって正確な交通予測は不可欠であるが、現在の手法は交通力学の本質的な複雑さと非線形性に苦しむため、空間的・時間的特性の統合が困難である。さらに、既存手法では静的手法を用いて、非定常および異常な履歴データに対処し、適応性を制限し、データの平滑化を損なう。これらの課題を克服するために,ネットワークレベルのトラフィック速度予測のための革新的なフレームワークであるGraph Fusion Enhanced Network (GFEN)を提案する。 GFENは、トレーニング可能な手法を用いて、データ分布とネットワークトポロジの両方から空間的および時間的相関を巧みに抽出し、マージする新しいトポロジ的時空間グラフ融合技術を導入し、マルチスケール時空間特徴のモデリングを可能にする。さらに、GFENは、k階差分に基づく数学的フレームワークと注意に基づくディープラーニング構造を組み合わせたハイブリッド手法を用いて、適応的にスムーズな歴史的観測を行い、データ異常と非定常性を動的に緩和する。大規模な実験により、GFENは予測精度が約6.3%向上し、最近のハイブリッドモデルよりも約2倍の速度で収束率を示し、その優れた性能と交通予測システムの効率を大幅に向上させる可能性を実証した。

論文の概要: A Joint Topology-Data Fusion Graph Network for Robust Traffic Speed Prediction with Data Anomalism

関連論文リスト