論文の概要: Deformable Dynamic Convolution for Accurate yet Efficient Spatio-Temporal Traffic Prediction

• arxiv url: http://arxiv.org/abs/2507.11550v1
• Date: Sun, 13 Jul 2025 06:49:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.056174
• Title: Deformable Dynamic Convolution for Accurate yet Efficient Spatio-Temporal Traffic Prediction
• Title（参考訳）: 高精度かつ高効率な時空間交通予測のための変形可能な動的畳み込み
• Authors: Hyeonseok Jin, Geonmin Kim, Kyungbaek Kim,
• Abstract要約: 本稿では,デフォルマブル・ダイナミック・コンボリューション・ネットワーク(DDCN)を提案する。 DDCNはオフセットに基づいて動的に変形可能なフィルタを適用することで課題を克服する。 4つの実世界のデータセットに関する総合的な実験において、DDCNは競争性能を達成する。
• 参考スコア（独自算出の注目度）: 1.9608359347635143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatio-temporal traffic prediction plays a key role in intelligent transportation systems by enabling accurate prediction in complex urban areas. Although not only accuracy but also efficiency for scalability is important, some previous methods struggle to capture heterogeneity such as varying traffic patterns across regions and time periods. Moreover, Graph Neural Networks (GNNs), which are the mainstream of traffic prediction, not only require predefined adjacency matrix, but also limit scalability to large-scale data containing many nodes due to their inherent complexity. To overcome these limitations, we propose Deformable Dynamic Convolution Network (DDCN) for accurate yet efficient traffic prediction. Traditional Convolutional Neural Networks (CNNs) are limited in modeling non-Euclidean spatial structures and spatio-temporal heterogeneity, DDCN overcomes these challenges by dynamically applying deformable filters based on offset. Specifically, DDCN decomposes transformer-style CNN to encoder-decoder structure, and applies proposed approaches to the spatial and spatio-temporal attention blocks of the encoder to emphasize important features. The decoder, composed of feed-forward module, complements the output of the encoder. This novel structure make DDCN can perform accurate yet efficient traffic prediction. In comprehensive experiments on four real-world datasets, DDCN achieves competitive performance, emphasizing the potential and effectiveness of CNN-based approaches for spatio-temporal traffic prediction.
• Abstract（参考訳）: 時空間交通予測は、複雑な都市部における正確な予測を可能にすることにより、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。 精度だけでなくスケーラビリティの効率性も重要であるが、従来の手法では、地域や期間によって異なるトラフィックパターンなどの不均一性を捉えるのに苦労している。 さらに、トラフィック予測の主流であるグラフニューラルネットワーク(GNN)は、事前定義された隣接行列を必要とするだけでなく、その固有の複雑さのために多くのノードを含む大規模データにスケーラビリティを制限している。 これらの制限を克服するために,正確なトラフィック予測のための変形可能な動的畳み込みネットワーク(DDCN)を提案する。 従来の畳み込みニューラルネットワーク(CNN)は、非ユークリッド空間構造と時空間の不均一性をモデル化するのに限られており、DDCNはオフセットに基づいて変形可能なフィルタを動的に適用することでこれらの課題を克服している。 具体的には、トランス方式のCNNをエンコーダ・デコーダ構造に分解し、重要な特徴を強調するためにエンコーダの空間的および時空間的注意ブロックに提案手法を適用する。 フィードフォワードモジュールで構成されるデコーダは、エンコーダの出力を補完する。 この新しい構造により、DDCNは正確かつ効率的なトラフィック予測を行うことができる。 4つの実世界のデータセットに関する総合的な実験において、DDCNは、時空間トラフィック予測のためのCNNベースのアプローチの可能性と有効性を強調して、競争性能を達成する。

関連論文リスト

• Virtual Nodes Improve Long-term Traffic Prediction [9.125554921271338]
  本研究では,仮想ノードを組み込んだ新しいフレームワークを紹介し,グラフに追加したノードを既存ノードに接続する。 提案モデルでは,セミアダプティブ・アジャシエイト行列を構築し,仮想ノードを組み込んだ。 実験により,仮想ノードの挿入は長期予測精度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-01-17T09:09:01Z)
• A Multi-Layer CNN-GRUSKIP model based on transformer for spatial TEMPORAL traffic flow prediction [0.06597195879147556]
  交通流予測は、インテリジェント交通システムITSの基盤のままである。 CNN-GRUSKIPモデルは先駆的なアプローチとして現れる。 このモデルは、ARIMA、Graph Wave Net、HA、LSTM、STGCN、APTといった確立したモデルよりも一貫して優れていた。 強力な予測能力と適応アーキテクチャにより、CNN-GRUSKIPモデルはITSアプリケーションを再定義する。
  論文  参考訳（メタデータ） (2025-01-09T21:30:02Z)
• 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)
• Navigating Spatio-Temporal Heterogeneity: A Graph Transformer Approach for Traffic Forecasting [13.309018047313801]
  交通予測はスマートシティの発展において重要な研究分野として浮上している。 最短時間相関のためのネットワークモデリングの最近の進歩は、パフォーマンスのリターンが低下し始めている。 これらの課題に対処するために、時空間グラフ変換器(STGormer)を導入する。 本研究では,その構造に基づく空間符号化手法を2つ設計し,時間位置をバニラ変圧器に統合して時間的トラフィックパターンをキャプチャする。
  論文  参考訳（メタデータ） (2024-08-20T13:18:21Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• 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)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• MAF-GNN: Multi-adaptive Spatiotemporal-flow Graph Neural Network for Traffic Speed Forecasting [3.614768552081925]
  交通速度予測のためのマルチ適応時空間フローグラフニューラルネットワーク(MAF-GNN)を提案する。 MAF-GNNは、トラフィックノード間の複数の遅延空間依存性をキャプチャする、効果的なマルチアダプティブ・アジャシエイト・マトリクス機構を導入している。 パブリックトラフィックネットワークの2つの実世界のデータセットであるMETR-LAとPeMS-Bayでは、他のモデルよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2021-08-08T09:06:43Z)
• Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
  本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。 粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-05-08T03:50:45Z)
• 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)

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。