論文の概要: B-TGAT: A Bi-directional Temporal Graph Attention Transformer for Clustering Multivariate Spatiotemporal Data
- arxiv url: http://arxiv.org/abs/2509.13202v1
- Date: Tue, 16 Sep 2025 16:08:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 17:50:53.163059
- Title: B-TGAT: A Bi-directional Temporal Graph Attention Transformer for Clustering Multivariate Spatiotemporal Data
- Title（参考訳）: B-TGAT : 多変量時空間データをクラスタリングするための双方向時間グラフ注意変換器
- Authors: Francis Ndikum Nji, Vandana Janaja, Jianwu Wang,
- Abstract要約: 本稿では,2次元グラフ注意変換器(B-TGAT)を統合した時間分散ハイブリッドU-Netオートコーダを提案する。
エンコーダとデコーダは、共同時空間特徴を抽出するConvLSTM2Dモジュールを備えている。
実験は、最先端のベースラインと比較して、クラスター分離性、時間的安定性、既知の気候遷移との整合性が優れていることを示した。
- 参考スコア（独自算出の注目度）: 0.15763762230817438
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clustering high-dimensional multivariate spatiotemporal climate data is challenging due to complex temporal dependencies, evolving spatial interactions, and non-stationary dynamics. Conventional clustering methods, including recurrent and convolutional models, often struggle to capture both local and global temporal relationships while preserving spatial context. We present a time-distributed hybrid U-Net autoencoder that integrates a Bi-directional Temporal Graph Attention Transformer (B-TGAT) to guide efficient temporal clustering of multidimensional spatiotemporal climate datasets. The encoder and decoder are equipped with ConvLSTM2D modules that extract joint spatial--temporal features by modeling localized dynamics and spatial correlations over time, and skip connections that preserve multiscale spatial details during feature compression and reconstruction. At the bottleneck, B-TGAT integrates graph-based spatial modeling with attention-driven temporal encoding, enabling adaptive weighting of temporal neighbors and capturing both short and long-range dependencies across regions. This architecture produces discriminative latent embeddings optimized for clustering. Experiments on three distinct spatiotemporal climate datasets demonstrate superior cluster separability, temporal stability, and alignment with known climate transitions compared to state-of-the-art baselines. The integration of ConvLSTM2D, U-Net skip connections, and B-TGAT enhances temporal clustering performance while providing interpretable insights into complex spatiotemporal variability, advancing both methodological development and climate science applications.
- Abstract（参考訳）: 高次元多変量時空間気象データのクラスタリングは、複雑な時間的依存関係、空間的相互作用の進化、非定常力学により困難である。
再帰モデルや畳み込みモデルを含む従来のクラスタリング手法は、空間的コンテキストを保ちながら、局所的および大域的時間的関係を捉えるのに苦労することが多い。
多次元時空間気候データセットの効率的な時間的クラスタリングを誘導するために、双方向の時間的グラフ注意変換器(B-TGAT)を統合した時間分散ハイブリッドU-Netオートエンコーダを提案する。
エンコーダとデコーダはConvLSTM2Dモジュールを備えており、局所的ダイナミクスと時間的空間相関をモデル化し、特徴圧縮と再構成の間、複数スケールの空間詳細を保存する接続をスキップすることで、共同時空間特徴を抽出する。
このボトルネックにおいて、B-TGATは、グラフベースの空間モデリングと注意駆動の時間符号化を統合し、時間的隣人の適応重み付けを可能にし、領域間の短距離および長距離の依存関係をキャプチャする。
このアーキテクチャはクラスタリングに最適化された差別的な潜伏埋め込みを生成する。
3つの異なる時空間気候データセットの実験は、最先端のベースラインと比較して、クラスタ分離性、時間安定性、および既知の気候遷移との整合性を示す。
ConvLSTM2D、U-Netスキップ接続、B-TGATの統合は、複雑な時空間変動に対する解釈可能な洞察を提供しながら、時間的クラスタリング性能を向上させる。
関連論文リスト
- STEI-PCN: an efficient pure convolutional network for traffic prediction via spatial-temporal encoding and inferring [13.472378581383628]
本稿では,空間時空間符号化と推論による交通予測のための効率的な純粋畳み込みネットワークを提案する。
時間的拡張因果畳み込みネットワークの3層は、長距離時間的相関を捉えるために使用される。
このモデルは、ゲートアクティベートされたオリジナル、局所同期継手時空間時間的特徴と長距離時間的特徴を統合し、包括的な予測を実現する。
論文 参考訳（メタデータ） (2025-04-10T18:32:56Z) - Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。
既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。
本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文 参考訳（メタデータ） (2024-11-14T07:34:31Z) - Rethinking Spatio-Temporal Transformer for Traffic Prediction:Multi-level Multi-view Augmented Learning Framework [4.773547922851949]
トラフィックは、非常に複雑なセマンティックな相関を含む、困難な時間的予測問題である。
本稿では,交通予測のためのマルチレベル多視点時間変換器(LVST)を提案する。
論文 参考訳（メタデータ） (2024-06-17T07:36:57Z) - Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。
グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。
グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文 参考訳（メタデータ） (2023-09-11T08:44:07Z) - 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) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-25T03:37:00Z) - Decoupling and Recoupling Spatiotemporal Representation for RGB-D-based
Motion Recognition [62.46544616232238]
従来の動作認識手法は、密結合した多時間表現によって有望な性能を実現している。
本稿では,RGB-D に基づく動作認識において引き起こされた表現を分離し,再分離することを提案する。
論文 参考訳（メタデータ） (2021-12-16T18:59:47Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-25T08:45:14Z) - Clustering of Time Series Data with Prior Geographical Information [0.26651200086513094]
本研究では,空間的・時間的文脈に基づく時系列データを用いた時空間クラスタリングモデルを提案する。
提案したSpatial-DEC(Spatial-DEC)は,遅延特徴表現の構築に先立つ地理情報を利用する。
その結果,提案した空間DECはより望ましい時間的クラスタを見つけることができることがわかった。
論文 参考訳（メタデータ） (2021-07-03T00:19:17Z) - 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。