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

• arxiv url: http://arxiv.org/abs/2507.11550v2
• Date: Fri, 19 Sep 2025 16:33:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 14:11:07.146272
• 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: 変形可能な動的畳み込みネットワーク(Deformable Dynamic Convolutional Network, DDCN)は、変形可能な動的操作と受容的な動的操作の両方を統合する新しいCNNベースのアーキテクチャである。 DDCNは計算コストを大幅に削減しつつ、競争力のある予測性能を実現し、大規模かつリアルタイムなデプロイメントの可能性を強調している。
• 参考スコア（独自算出の注目度）: 1.7268829007643391
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic prediction is a critical component of intelligent transportation systems, enabling applications such as congestion mitigation and accident risk prediction. While recent research has explored both graph-based and grid-based approaches, key limitations remain. Graph-based methods effectively capture non-Euclidean spatial structures but often incur high computational overhead, limiting their practicality in large-scale systems. In contrast, grid-based methods, which primarily leverage Convolutional Neural Networks (CNNs), offer greater computational efficiency but struggle to model irregular spatial patterns due to the fixed shape of their filters. Moreover, both approaches often fail to account for inherent spatio-temporal heterogeneity, as they typically apply a shared set of parameters across diverse regions and time periods. To address these challenges, we propose the Deformable Dynamic Convolutional Network (DDCN), a novel CNN-based architecture that integrates both deformable and dynamic convolution operations. The deformable layer introduces learnable offsets to create flexible receptive fields that better align with spatial irregularities, while the dynamic layer generates region-specific filters, allowing the model to adapt to varying spatio-temporal traffic patterns. By combining these two components, DDCN effectively captures both non-Euclidean spatial structures and spatio-temporal heterogeneity. Extensive experiments on four real-world traffic datasets demonstrate that DDCN achieves competitive predictive performance while significantly reducing computational costs, underscoring its potential for large-scale and real-time deployment.
• Abstract（参考訳）: 交通予測はインテリジェント交通システムにおいて重要な要素であり、渋滞緩和や事故リスク予測などの応用を可能にする。 最近の研究では、グラフベースのアプローチとグリッドベースのアプローチの両方が検討されているが、重要な制限は残されている。 グラフベースの手法は、非ユークリッド空間構造を効果的に捉えるが、しばしば高い計算オーバーヘッドを発生させ、大規模システムでの実用性を制限する。 対照的に、主に畳み込みニューラルネットワーク(CNN)を利用するグリッドベースの手法は、より高い計算効率を提供するが、フィルタの固定形状のために不規則な空間パターンをモデル化することは困難である。 さらに、どちらの手法も、様々な地域や期間にまたがるパラメータの共有集合を適用するため、本質的に時空間の不均一性を考慮することができないことが多い。 これらの課題に対処するために,変形可能な動的畳み込み処理と動的畳み込み処理を統合した新しいCNNベースのアーキテクチャであるDeformable Dynamic Convolutional Network (DDCN)を提案する。 変形可能な層は学習可能なオフセットを導入し、空間的不規則性によく適合するフレキシブルな受容場を生成し、動的層は領域固有のフィルタを生成し、モデルが時空間の様々なパターンに適応できるようにする。 これら2つの成分を組み合わせることで、DDCNは非ユークリッド空間構造と時空間の不均一性の両方を効果的に捉える。 4つの実世界のトラフィックデータセットに関する大規模な実験は、DDCNが計算コストを大幅に削減し、大規模かつリアルタイムなデプロイメントの可能性を強調しながら、競争力のある予測性能を達成することを示した。

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。