論文の概要: Time Series Foundation Models are Flow Predictors

• arxiv url: http://arxiv.org/abs/2507.00945v1
• Date: Tue, 01 Jul 2025 16:51:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.738859
• Title: Time Series Foundation Models are Flow Predictors
• Title（参考訳）: 時系列基礎モデルはフロー予測子である
• Authors: Massimiliano Luca, Ciro Beneduce, Bruno Lepri,
• Abstract要約: 本研究では, 時系列基礎モデル(TSFM)の有効性を, モイライとタイムズFMに着目して評価した。 Bike NYC、Taxi Beijing、およびスペイン国内ODフローの3つの実世界のモビリティデータセットを評価する。
• 参考スコア（独自算出の注目度）: 4.315451628809687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate the effectiveness of time series foundation models (TSFMs) for crowd flow prediction, focusing on Moirai and TimesFM. Evaluated on three real-world mobility datasets-Bike NYC, Taxi Beijing, and Spanish national OD flows-these models are deployed in a strict zero-shot setting, using only the temporal evolution of each OD flow and no explicit spatial information. Moirai and TimesFM outperform both statistical and deep learning baselines, achieving up to 33% lower RMSE, 39% lower MAE and up to 49% higher CPC compared to state-of-the-art competitors. Our results highlight the practical value of TSFMs for accurate, scalable flow prediction, even in scenarios with limited annotated data or missing spatial context.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)のクラウドフロー予測における有効性について検討し,MoiraiとTimesFMに着目した。 実世界の3つのモビリティデータセット(Bike NYC、Taxi Beijing、およびスペイン国内のODフローモデル)を厳密なゼロショット環境で展開し、各ODフローの時間的進化と明示的な空間情報のみを用いて評価する。 MoiraiとTimesFMは統計学とディープラーニングのベースラインを上回り、RMSEを最大33%、MAEを39%、CPCを最大49%上回る。 提案手法は,限られたアノテートデータや空間的コンテキストが欠如しているシナリオにおいても,高精度でスケーラブルなフロー予測を実現するためのTSFMの実用的価値を強調した。

関連論文リスト

• Towards foundational LiDAR world models with efficient latent flow matching [9.86884512471034]
  既存のLiDARワールドモデルは狭義に訓練されており、それぞれのモデルは構築されたドメインに限られる。 3つの要求シナリオにまたがる最初の体系的ドメイン転送研究を行う。 微調整データの量が異なるため,実験の結果,1つの事前学習モデルで最大11%の絶対的改善が達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-30T00:16:55Z)
• Scaling Laws for Predicting Downstream Performance in LLMs [75.28559015477137]
  この研究は、性能推定のためのより計算効率のよい指標として、事前学習損失に焦点を当てている。 FLP-Mは、事前トレーニング中に複数のソースからのデータセットを統合する実践的なニーズに対処する、パフォーマンス予測の基本的なアプローチである。
  論文  参考訳（メタデータ） (2024-10-11T04:57:48Z)
• 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)
• DifFlow3D: Toward Robust Uncertainty-Aware Scene Flow Estimation with Diffusion Model [20.15214479105187]
  拡散確率モデルを用いた不確実性を考慮したシーンフロー推定ネットワーク(DifFlow3D)を提案する。 提案手法は,KITTIデータセット上での前例のないミリレベルの精度(EPE3Dで0.0078m)を達成する。
  論文  参考訳（メタデータ） (2023-11-29T08:56:24Z)
• The Surprising Effectiveness of Diffusion Models for Optical Flow and Monocular Depth Estimation [42.48819460873482]
  拡散確率モデルは、その印象的な忠実さと多様性で画像生成を変換した。 また,タスク固有のアーキテクチャや損失関数を使わずに,光学的フローと単眼深度の推定に優れることを示す。
  論文  参考訳（メタデータ） (2023-06-02T21:26:20Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Stream-Flow Forecasting of Small Rivers Based on LSTM [3.921808417990452]
  本稿では,Long-Short Term Memory(LSTM)ディープラーニングモデルを用いて,予測を行う新しい手法を提案する。 本研究は,中国湖西省の1つの水文局の河川流量データと,周辺11の降雨局の降水データを収集し,河川流量データの予測を行った。 平均二乗誤差(RMSE)、平均絶対誤差(MAE)、判定係数(R2)の3つの基準を用いて予測結果を評価した。
  論文  参考訳（メタデータ） (2020-01-16T07:14:32Z)

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。