論文の概要: DETNO: A Diffusion-Enhanced Transformer Neural Operator for Long-Term Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2508.19389v1
• Date: Tue, 26 Aug 2025 19:32:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.409437
• Title: DETNO: A Diffusion-Enhanced Transformer Neural Operator for Long-Term Traffic Forecasting
• Title（参考訳）: DETNO:長期交通予測のための拡散強化型変圧器ニューラル演算子
• Authors: Owais Ahmad, Milad Ramezankhani, Anirudh Deodhar,
• Abstract要約: 知的交通システムにおいて、正確な長期交通予測は依然として重要な課題である。 拡散強化型ニューラル演算子アーキテクチャを導入する。 本手法は,従来型および変圧器型ニューラル演算子と比較して,ロールアウト予測の延長において優れた性能を示す。
• 参考スコア（独自算出の注目度）: 0.764671395172401
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate long-term traffic forecasting remains a critical challenge in intelligent transportation systems, particularly when predicting high-frequency traffic phenomena such as shock waves and congestion boundaries over extended rollout horizons. Neural operators have recently gained attention as promising tools for modeling traffic flow. While effective at learning function space mappings, they inherently produce smooth predictions that fail to reconstruct high-frequency features such as sharp density gradients which results in rapid error accumulation during multi-step rollout predictions essential for real-time traffic management. To address these fundamental limitations, we introduce a unified Diffusion-Enhanced Transformer Neural Operator (DETNO) architecture. DETNO leverages a transformer neural operator with cross-attention mechanisms, providing model expressivity and super-resolution, coupled with a diffusion-based refinement component that iteratively reconstructs high-frequency traffic details through progressive denoising. This overcomes the inherent smoothing limitations and rollout instability of standard neural operators. Through comprehensive evaluation on chaotic traffic datasets, our method demonstrates superior performance in extended rollout predictions compared to traditional and transformer-based neural operators, preserving high-frequency components and improving stability over long prediction horizons.
• Abstract（参考訳）: 正確な長期交通予測は、特に衝撃波や渋滞境界などの高周波交通現象をロールアウト地平線上で予測する場合、インテリジェント交通システムにおいて重要な課題である。 ニューラルオペレータは、トラフィックフローをモデリングするための有望なツールとして最近注目を集めている。 関数空間マッピングの学習には有効であるが、リアルタイム交通管理に不可欠な複数ステップのロールアウト予測において、急激なエラー蓄積をもたらすシャープ密度勾配などの高周波特徴を再構築できない滑らかな予測を本質的に生成する。 これらの基本的な制約に対処するため,DETNO(Diffusion-Enhanced Transformer Neural Operator)アーキテクチャを導入している。 DETNOは、トランスフォーマーニューラル演算子にクロスアテンション機構を導入し、モデル表現性と超解像を提供し、拡散ベース精製コンポーネントと組み合わせることで、プログレッシブデノイングを通じて高周波トラフィックの詳細を反復的に再構築する。 これにより、標準的なニューラル演算子のスムーズな制限とロールアウト不安定性が克服される。 カオス的トラフィックデータセットの包括的評価により,従来型および変圧器型ニューラル演算子と比較してロールアウト予測の性能が向上し,高周波成分の保存,長期予測地平線の安定性が向上した。

関連論文リスト

• Unveiling the Power of Noise Priors: Enhancing Diffusion Models for Mobile Traffic Prediction [8.208273046006697]
  我々は,ノイズを先行成分と残留成分に分解するフレームワークであるNPDiffを提案する。 NPDiffは、様々な拡散に基づく予測モデルとシームレスに統合することができ、効率的、効率的、堅牢な予測を提供する。
  論文  参考訳（メタデータ） (2025-01-23T16:13:08Z)
• Implicit factorized transformer approach to fast prediction of turbulent channel flows [6.70175842351963]
  本稿では,従来の連鎖因数分解処理を並列因数分解処理に置き換える改良型暗黙因数分解変換器 (IFactFormer-m) モデルを提案する。 IFactFormer-mモデルは乱流流の長期予測に成功している。
  論文  参考訳（メタデータ） (2024-12-25T09:05:14Z)
• 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)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• 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)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Traffic Flow Prediction via Variational Bayesian Inference-based Encoder-Decoder Framework [1.181206257787103]
  本稿では,変分ベイズ推定に基づくディープエンコーダ・デコーダ予測フレームワークを提案する。 ベイズニューラルネットワークは、変分推論とゲートリカレントユニット(GRU)を組み合わせて構築され、エンコーダ・デコーダフレームワークのディープニューラルネットワークユニットとして使用される。 提案手法は, 広州市の都市交通フローデータセットにおいて, ベンチマークよりも優れた予測性能を実現する。
  論文  参考訳（メタデータ） (2022-12-14T12:39:47Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• 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。