論文の概要: STRATA-TS: Selective Knowledge Transfer for Urban Time Series Forecasting with Retrieval-Guided Reasoning

• arxiv url: http://arxiv.org/abs/2508.18635v2
• Date: Mon, 22 Sep 2025 12:00:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 14:36:45.543852
• Title: STRATA-TS: Selective Knowledge Transfer for Urban Time Series Forecasting with Retrieval-Guided Reasoning
• Title（参考訳）: STRATA-TS:Retrieval-Guided Reasoningを用いた都市時系列予測のための選択的知識伝達
• Abstract要約: STRATA-TSは、ドメイン適応検索と推論可能な大規模モデルを組み合わせることで、不足するデータレシエーションの予測を改善するフレームワークである。 効率的な配置を実現するため, 教師付き微調整により, 推論過程をコンパクトなオープンモデルに蒸留する。 シンガポール、ノッティンガム、グラスゴーの3つのパーキングアベイラビリティーデータセットの実験では、STRATA-TSは強い予測と転送ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 27.775793400546345
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Urban forecasting models often face a severe data imbalance problem: only a few cities have dense, long-span records, while many others expose short or incomplete histories. Direct transfer from data-rich to data-scarce cities is unreliable because only a limited subset of source patterns truly benefits the target domain, whereas indiscriminate transfer risks introducing noise and negative transfer. We present STRATA-TS (Selective TRAnsfer via TArget-aware retrieval for Time Series), a framework that combines domain-adapted retrieval with reasoning-capable large models to improve forecasting in scarce data regimes. STRATA-TS employs a patch-based temporal encoder to identify source subsequences that are semantically and dynamically aligned with the target query. These retrieved exemplars are then injected into a retrieval-guided reasoning stage, where an LLM performs structured inference over target inputs and retrieved support. To enable efficient deployment, we distill the reasoning process into a compact open model via supervised fine-tuning. Extensive experiments on three parking availability datasets across Singapore, Nottingham, and Glasgow demonstrate that STRATA-TS consistently outperforms strong forecasting and transfer baselines, while providing interpretable knowledge transfer pathways.
• Abstract（参考訳）: 都市予測モデルは、しばしば深刻なデータ不均衡の問題に直面している。 データリッチからデータスカース都市への直接転送は、ノイズや負の転送をもたらす非差別的な転送リスクに対して、ソースパターンの限られたサブセットだけがターゲットドメインに真に利益をもたらすため、信頼性が低い。 本稿では、ドメイン適応検索と推論可能な大モデルを組み合わせたフレームワークであるSTRATA-TS(Selective TRAnsfer via TArget-aware search for Time Series)を提案する。 STRATA-TSは、パッチベースの時間エンコーダを使用して、ターゲットクエリとセマンティックに動的に一致したソースサブシーケンスを識別する。 これらの抽出された例題を検索誘導推論段階に注入し、LLMが目標入力と検索支援に対して構造化推論を行う。 効率的な配置を実現するため, 教師付き微調整により, 推論過程をコンパクトなオープンモデルに蒸留する。 シンガポール、ノッティンガム、グラスゴーの3つの駐車可能なデータセットに関する大規模な実験では、STRATA-TSは、解釈可能な知識伝達経路を提供しながら、強い予測と転送ベースラインを一貫して上回っている。

関連論文リスト

• An Empirical Evaluation of Cross-City POI Recommendation on a Large-Scale Benchmark [55.73054722370559]
  都市横断点(POI)勧告は、慣れない都市環境をナビゲートするために重要である。 小さいベンチマークで得られた結論が、まだ世界規模でカバーされているか、住宅先が低いか、大きな意味的にリッチなPOI在庫が重複しているかを再検討する。
  論文  参考訳（メタデータ） (2026-08-28T02:16:33Z)
• Unleashing the Potential of Large Language Models: A Blueprint for Real-Time, Enterprise-Ready Deployments [11.71713024399078]
  本稿では,リアルタイムデータ取り込み,連続学習,検索強化生成,ループ内フィードバックを統合した,統一型パターン駆動型LLMOpsアーキテクチャを提案する。 その結果、医療や金融といったリスクの高いセクターの監査性とロールバックをサポートしながら、レイテンシーコストのトレードオフを低減することができる。
  論文  参考訳（メタデータ） (2026-08-01T03:40:22Z)
• Shift & Drift: A Zero-Shot Benchmark for Generalizable and Robust Autonomous Driving Motion Planning [60.888463449435484]
  シフト・アンド・ドリフト(Shift & Drift)は、分散シフトの2つの重要な軸にまたがる、厳密なストレス-テスト運動プランナーのための新しいデュアルトラックベンチマークである。 擬似学習手法は,IDベンチマークにおいて高いスコアを得るが,時間的に相関したアクティベーションノイズを受けると持続的なドリフトに悩まされることを示す。 本研究は, 模擬忠実度と閉ループレジリエンスのトレードオフを実証的に明らかにし, 信頼性の高い展開に向けた進捗を評価するための厳密なベンチマークをコミュニティに提供する。
  論文  参考訳（メタデータ） (2026-07-08T18:23:48Z)
• From Coarse to Fine: Managing Temporal Granularity in Spatio-Temporal Data for Fine-Grained Traffic Prediction [17.890860280722215]
  粗い粒度のデータは、時間的粒度の予測を必要とする下流のアプリケーションを制限する。 本研究では,時空間データシステムのための空間認識フレームワークSTRPを提案する。 STRPは、精度と効率の両方で最先端の予測器を著しく上回る。
  論文  参考訳（メタデータ） (2026-06-08T12:07:13Z)
• Overcoming the Modality Gap in Context-Aided Forecasting [54.976964834365056]
  本稿では,時間的力学の記述と数値履歴に相補的な文脈を生成する半合成データ拡張手法を提案する。 このアプローチによって大規模なデータセット生成が可能になり、700万のコンテキスト拡張時系列ウィンドウのコーパスであるCAF-7Mが実現される。
  論文  参考訳（メタデータ） (2026-03-12T21:05:33Z)
• Agentic Spatio-Temporal Grounding via Collaborative Reasoning [80.83158605034465]
  時間的ビデオグラウンド(Temporal Video Grounding)は、テキストクエリが与えられたビデオ内の対象物または人の時間的チューブを検索することを目的としている。 本稿では,STVGの課題に対して,オープンワールドおよびトレーニングフリーシナリオに向けたエージェント時空間グラウンド(ASTG)フレームワークを提案する。 具体的には、現代多言語モデル(MLLM)を活用した2つの特殊エージェントSRA(Spatial Reasoning Agent)とTRA(Temporal Reasoning Agent)である。 人気のあるベンチマークの実験は、既存の弱教師付きおよびゼロショットアプローチをマージンで上回る提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2026-02-10T10:16:27Z)
• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Think First, Assign Next (ThiFAN-VQA): A Two-stage Chain-of-Thought Framework for Post-Disaster Damage Assessment [0.0]
  災害時における視覚的質問応答(VQA)のための2段階推論に基づくフレームワークであるThiFAN-VQAを提案する。 カスタム情報検索システム、ドメイン固有のプロンプト、推論誘導型回答選択を統合することで、ThiFAN-VQAはゼロショットと教師付きメソッドのギャップを埋める。 FloodNetとRescueNet-VQAの実験は、洪水やハリケーンに影響を受けた地域のUAVベースのデータセットで、ThiFAN-VQAがより優れた精度、解釈可能性、適応性を実現することを実証している。
  論文  参考訳（メタデータ） (2025-11-24T14:32:07Z)
• Just-in-time Episodic Feedback Hinter: Leveraging Offline Knowledge to Improve LLM Agents Adaptation [77.90555621662345]
  JEF Hinterは、オフライントレースをコンパクトでコンテキスト対応のヒントに蒸留するエージェントシステムである。 ズーム機構は、長い軌道における決定的なステップを強調し、戦略と落とし穴の両方をキャプチャする。 MiniWoB++、WorkArena-L1、WebArena-Liteの実験は、JSF Hinterが一貫して強力なベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-10-05T21:34:42Z)
• A Pretrained Probabilistic Transformer for City-Scale Traffic Volume Prediction [8.384075654211685]
  都市規模の交通量予測は、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。 現在のモデルは一般的に都市特有の方法で訓練されており、その一般化を妨げている。 本稿では,トラジェクトリの分散アグリゲーションとしてトラフィックボリュームをモデル化する事前学習型確率変換器であるTrafficPPTを紹介する。
  論文  参考訳（メタデータ） (2025-06-03T09:07:29Z)
• TEAM: Topological Evolution-aware Framework for Traffic Forecasting--Extended Version [24.544665297938437]
  交通予測のためのトポロジカル進化認識フレームワーク(TEAM)には、畳み込みと注意が組み込まれている。 TEAMは、予測精度を損なうことなく、既存の方法よりもはるかに低い再訓練コストを削減できる。
  論文  参考訳（メタデータ） (2024-10-24T22:50:21Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• EasyST: A Simple Framework for Spatio-Temporal Prediction [18.291117879544945]
  本稿では,時空間予測のための簡単なフレームワークであるEasySTパラダイムを提案する。 複雑な時間的GNNからの知識を蒸留することにより、軽量で堅牢なマルチ層パーセプトロン(MLP)の一般化を学習する。 EasySTは、効率と精度の点で最先端のアプローチを超越している。
  論文  参考訳（メタデータ） (2024-09-10T11:40:01Z)
• 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)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Spatio-Temporal Few-Shot Learning via Diffusive Neural Network Generation [25.916891462152044]
  本稿では,都市知識伝達を伴う複雑な数ショット学習のための新しい生成事前学習フレームワークであるGPDを提案する。 我々は、プロンプトで導かれる調整されたニューラルネットワークを生成する生成拡散モデルを再放送する。 GPDは、トラフィック速度予測やクラウドフロー予測といったタスクのデータセットにおける最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2024-02-19T08:11:26Z)

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。