論文の概要: MCST-Mamba: Multivariate Mamba-Based Model for Traffic Prediction
- arxiv url: http://arxiv.org/abs/2507.03927v1
- Date: Sat, 05 Jul 2025 07:22:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:34.940224
- Title: MCST-Mamba: Multivariate Mamba-Based Model for Traffic Prediction
- Title（参考訳）: MCST-Mamba:多変量マンバモデルによる交通予測
- Authors: Mohamed Hamad, Mohamed Mabrok, Nizar Zorba,
- Abstract要約: 本稿では,Multi-Channel Spatio-Temporal (MCST) Mambaモデルを紹介する。
その結果,MCST-Mambaはベースラインモデルに比べてパラメータ数が少なく,高い予測性能が得られることがわかった。
- 参考スコア（独自算出の注目度）: 4.499271869809039
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate traffic prediction plays a vital role in intelligent transportation systems by enabling efficient routing, congestion mitigation, and proactive traffic control. However, forecasting is challenging due to the combined effects of dynamic road conditions, varying traffic patterns across different locations, and external influences such as weather and accidents. Traffic data often consists of several interrelated measurements - such as speed, flow and occupancy - yet many deep-learning approaches either predict only one of these variables or require a separate model for each. This limits their ability to capture joint patterns across channels. To address this, we introduce the Multi-Channel Spatio-Temporal (MCST) Mamba model, a forecasting framework built on the Mamba selective state-space architecture that natively handles multivariate inputs and simultaneously models all traffic features. The proposed MCST-Mamba model integrates adaptive spatio-temporal embeddings and separates the modeling of temporal sequences and spatial sensor interactions into two dedicated Mamba blocks, improving representation learning. Unlike prior methods that evaluate on a single channel, we assess MCST-Mamba across all traffic features at once, aligning more closely with how congestion arises in practice. Our results show that MCST-Mamba achieves strong predictive performance with a lower parameter count compared to baseline models.
- Abstract（参考訳）: 正確な交通予測は,効率的なルーティング,混雑緩和,積極的交通制御を実現することにより,インテリジェント交通システムにおいて重要な役割を担っている。
しかし, 動的道路環境の影響, 交通パターンの変化, 気象や事故などの外的影響などにより, 予測は困難である。
トラフィックデータは、スピード、フロー、占有率など、いくつかの関連した測定結果から構成されることが多いが、多くのディープラーニングアプローチは、これらの変数の1つだけを予測するか、それぞれに別々のモデルを必要とする。
これにより、チャネル間のジョイントパターンをキャプチャする能力が制限される。
この問題を解決するために,マルチチャネル時空間(MCST)モデルを紹介した。これは,マルチ変数入力をネイティブに処理し,同時にすべてのトラフィック特徴をモデル化する,Mamba選択状態空間アーキテクチャ上に構築された予測フレームワークである。
提案したMCST-Mambaモデルは適応時空間埋め込みを統合し,時間的シーケンスと空間センサ相互作用のモデリングを2つの専用のMambaブロックに分離し,表現学習を改善する。
1つのチャネルで評価する従来の方法とは異なり、MCST-Mambaはすべてのトラフィックの特徴を同時に評価し、実際にどのように渋滞が発生するかをより正確に一致させる。
その結果,MCST-Mambaはベースラインモデルに比べてパラメータ数が少なく,高い予測性能が得られることがわかった。
関連論文リスト
- Rethinking Traffic Flow Forecasting: From Transition to Generatation [0.0]
本稿では,交通流予測のための多分岐類似性変換器,すなわちEMBSFormerを提案する。
トラフィックフローに影響を与える要因はノードレベルのトラフィック生成とグラフレベルのトラフィック遷移であり、ノードの多周期性と相互作用パターンをそれぞれ記述している。
交通遷移において,グローバルノードの相互作用を維持するために時間的・空間的自己認識機構を用い,それぞれGNNと時間的共振器を用いて局所ノードの相互作用をモデル化する。
論文 参考訳（メタデータ） (2025-04-19T09:52:39Z) - 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) - A Time Series is Worth Five Experts: Heterogeneous Mixture of Experts for Traffic Flow Prediction [9.273632869779929]
本稿では,交通流予測のためのヘテロジニアス・ミックス・オブ・エキスパート(TITAN)モデルを提案する。
2つのパブリックトラフィックネットワークデータセットであるMETR-LAとP-BAYの実験では、TITANが変数中心の依存関係を効果的にキャプチャすることを示した。
従来のSOTAモデルと比較して、約4.37%から11.53%までのすべての評価指標の改善を実現している。
論文 参考訳（メタデータ） (2024-09-26T00:26:47Z) - ST-MambaSync: The Complement of Mamba and Transformers for Spatial-Temporal in Traffic Flow Prediction [36.89741338367832]
本稿では,変圧器技術とST-Mambaブロックを組み合わせた,革新的な交通流予測モデルST-MambaSyncを紹介する。
我々は、トランスフォーマーフレームワーク内でResNetと統合されたアテンションメカニズムであるMambaメカニズムを採用する先駆者です。
論文 参考訳（メタデータ） (2024-04-24T14:41:41Z) - Deep Multi-View Channel-Wise Spatio-Temporal Network for Traffic Flow Prediction [18.008631008649658]
underlineMulti-underlineView underlineChannel-wise underlineSpatio-underlineTemporal underlineNetwork (MVC-STNet)
我々は,マルチチャネル交通流予測の新たな課題について検討し,深いアンダーラインMulti-underlineViewアンダーラインChannel-wiseアンダーラインTempを提案する。
論文 参考訳（メタデータ） (2024-04-23T13:39:04Z) - Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。
車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。
我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文 参考訳（メタデータ） (2023-12-07T18:53:27Z) - 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) - Short-term passenger flow prediction for multi-traffic modes: A residual
network and Transformer based multi-task learning method [21.13073816634534]
Res-Transformerは、複数交通モードの短期的乗客フロー予測のための学習モデルである。
モデルは北京の2つの大規模な実世界のデータセットで評価される。
本稿では,複数交通モードにおける短時間の乗客フロー予測について,重要な洞察を与えることができる。
論文 参考訳（メタデータ） (2022-02-27T01:09:19Z) - 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) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳（メタデータ） (2020-01-09T10:21:04Z)
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。