論文の概要: Scale-Disentangled spatiotemporal Modeling for Long-term Traffic Emission Forecasting

• arxiv url: http://arxiv.org/abs/2508.11923v1
• Date: Sat, 16 Aug 2025 06:06:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.454564
• Title: Scale-Disentangled spatiotemporal Modeling for Long-term Traffic Emission Forecasting
• Title（参考訳）: 長期交通排出予測のためのスケールディスタングル時空間モデル
• Authors: Yan Wu, Lihong Pei, Yukai Han, Yang Cao, Yu Kang, Yanlong Zhao,
• Abstract要約: 本稿では,長期交通排出予測のためのSDSTM(Scale-Disd S-temporal Modeling)フレームワークを提案する。 提案手法は最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 10.643363557001955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term traffic emission forecasting is crucial for the comprehensive management of urban air pollution. Traditional forecasting methods typically construct spatiotemporal graph models by mining spatiotemporal dependencies to predict emissions. However, due to the multi-scale entanglement of traffic emissions across time and space, these spatiotemporal graph modeling method tend to suffer from cascading error amplification during long-term inference. To address this issue, we propose a Scale-Disentangled Spatio-Temporal Modeling (SDSTM) framework for long-term traffic emission forecasting. It leverages the predictability differences across multiple scales to decompose and fuse features at different scales, while constraining them to remain independent yet complementary. Specifically, the model first introduces a dual-stream feature decomposition strategy based on the Koopman lifting operator. It lifts the scale-coupled spatiotemporal dynamical system into an infinite-dimensional linear space via Koopman operator, and delineates the predictability boundary using gated wavelet decomposition. Then a novel fusion mechanism is constructed, incorporating a dual-stream independence constraint based on cross-term loss to dynamically refine the dual-stream prediction results, suppress mutual interference, and enhance the accuracy of long-term traffic emission prediction. Extensive experiments conducted on a road-level traffic emission dataset within Xi'an's Second Ring Road demonstrate that the proposed model achieves state-of-the-art performance.
• Abstract（参考訳）: 都市大気汚染の包括的管理には,長期交通排出予測が不可欠である。 従来の予測手法は、時空間依存をマイニングして時空間グラフモデルを構築して排出を予測するのが一般的である。 しかし、時間と空間にまたがる交通放射の多段階的絡み合いにより、これらの時空間グラフモデリング法は、長期の推論においてカスケードエラー増幅に悩まされる傾向にある。 そこで本研究では,長期交通排出予測のためのSDSTM(Scale-Disentangled Spatio-Temporal Modeling)フレームワークを提案する。 複数のスケールにわたる予測可能性の違いを活用して、異なるスケールで機能を分解し、フューズすると同時に、独立性を維持しながら相補的であることを制約する。 具体的には、まず、クープマンリフト演算子に基づくデュアルストリーム特徴分解戦略を導入する。 スケール結合された時空間力学系をクープマン作用素を介して無限次元線型空間に上げ、ゲートウェーブレット分解を用いて予測可能性境界を導出する。 そして, 相互干渉を抑え, 長期交通排出予測の精度を高めるために, 長期的損失に基づく二流独立制約を組み込んだ新しい融合機構を構築した。 Xi'an's Second Ring Road における道路レベルの交通排出データセットによる大規模な実験により,提案モデルが最先端の性能を達成することを示す。

関連論文リスト

• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Multi-Step Embed to Control: A Novel Deep Learning-based Approach for Surrogate Modelling in Reservoir Simulation [0.0]
  縮小次数モデル(英: Reduced-order model)またはプロキシモデル(英: proxy model)またはサロゲートモデル(英: surrogate model)は、完全な記述モデルとは対照的に計算コストの低い近似モデルである。 本稿では,長期予測性能を向上したプロキシモデル構築のための,多段階組込み制御モデルと呼ばれる深層学習に基づく代理モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-16T01:35:34Z)
• 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)
• A Multi-Channel Spatial-Temporal Transformer Model for Traffic Flow Forecasting [0.0]
  交通流予測のための多チャンネル時空間変圧器モデルを提案する。 トラフィックデータの異なるチャネルから結果を抽出することにより、予測の精度を向上させる。 6つの実世界のデータセットの実験結果から,時間モデルにマルチチャネル機構を導入することにより,性能が向上することが示された。
  論文  参考訳（メタデータ） (2024-05-10T06:37:07Z)
• Unveiling Delay Effects in Traffic Forecasting: A Perspective from Spatial-Temporal Delay Differential Equations [20.174094418301245]
  交通流予測は交通計画と管理の基本的な研究課題である。 近年,グラフニューラルネットワーク (GNN) とリカレントニューラルネットワーク (RNN) は交通流予測のための空間的時間的相関を捉えることに成功している。 1) GNNでのメッセージパッシングは即時であり、実際には近隣ノード間の空間的メッセージインタラクションは遅延する可能性がある。
  論文  参考訳（メタデータ） (2024-02-02T08:55:23Z)
• 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)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)
• A nudged hybrid analysis and modeling approach for realtime wake-vortex transport and decay prediction [0.0]
  流れの縮小秩序モデル (ROM) を強化するための長期記憶 (LSTM) ヌージングフレームワークは, 騒音測定を利用して航空交通改善を行った。 我々は、現実的な応用において、初期および境界条件、モデルパラメータ、および測定に不確実性が存在するという事実に基づいて構築する。 LSTM nudging (LSTM-N) 法では,不完全なGROMと不確実な状態推定を組み合わせた予測とスパーシアンセンサ測定を併用して,動的データ同化フレームワークにおいてより信頼性の高い予測を行う。
  論文  参考訳（メタデータ） (2020-08-05T23:47:15Z)
• 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。