論文の概要: Towards Scalable and Structured Spatiotemporal Forecasting

• arxiv url: http://arxiv.org/abs/2509.18115v1
• Date: Wed, 10 Sep 2025 03:25:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-28 15:30:14.372956
• Title: Towards Scalable and Structured Spatiotemporal Forecasting
• Title（参考訳）: スケーラブルで構造化された時空間予測に向けて
• Authors: Hongyi Chen, Xiucheng Li, Xinyang Chen, Jing Li, Kehai Chen, Liqiang Nie,
• Abstract要約: 本稿では,時間的予測のための空間バランス注意ブロックを提案する。 空間グラフを集合部分グラフとインスタントグラフに分割し,各部分グラフ内の局所空間相関を学習する。 サブグラフの規模を徐々に増やし,マルチスケールの予測モデルを構築した。
• 参考スコア（独自算出の注目度）: 67.74910348499974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a novel Spatial Balance Attention block for spatiotemporal forecasting. To strike a balance between obeying spatial proximity and capturing global correlation, we partition the spatial graph into a set of subgraphs and instantiate Intra-subgraph Attention to learn local spatial correlation within each subgraph; to capture the global spatial correlation, we further aggregate the nodes to produce subgraph representations and achieve message passing among the subgraphs via Inter-subgraph Attention. Building on the proposed Spatial Balance Attention block, we develop a multiscale spatiotemporal forecasting model by progressively increasing the subgraph scales. The resulting model is both scalable and able to produce structured spatial correlation, and meanwhile, it is easy to implement. We evaluate its efficacy and efficiency against the existing models on real-world spatiotemporal datasets from medium to large sizes. The experimental results show that it can achieve performance improvements up to 7.7% over the baseline methods at low running costs.
• Abstract（参考訳）: 本稿では,時空間予測のための空間バランス注意ブロックを提案する。 空間的近接と大域的相関のバランスをとるために,空間グラフをサブグラフの集合に分割し,各サブグラフ内の局所的空間的相関を学習するためにサブグラフ内注意をインスタンス化し,グローバルな空間的相関を捉え,さらにノードを集約してサブグラフ表現を生成し,サブグラフ間のメッセージパッシングを実現する。 提案する空間バランス注意ブロックに基づいて,サブグラフスケールを漸進的に増加させることにより,マルチスケールの時空間予測モデルを構築する。 得られたモデルは、スケーラブルで、構造化された空間相関を生成できるが、実装は容易である。 中規模から大規模まで実世界の時空間データセットにおける既存モデルに対する有効性と有効性を評価する。 実験の結果,低走行コストでベースライン法よりも最大7.7%の性能向上が達成できた。

関連論文リスト

• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• Ada-TransGNN: An Air Quality Prediction Model Based On Adaptive Graph Convolutional Networks [7.944991952472549]
  本研究では,グローバルな空間意味と時間的行動を統合するトランスフォーマーに基づくデータ予測手法を提案する。 本モデルは,短期・長期予測において,既存の最先端予測モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-25T10:22:03Z)
• 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)
• Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow Forecasting [6.867331860819595]
  複雑な時空間相関と非線形トラフィックパターンのため、交通予測は非常に困難である。 既存の研究は主に、空間的相関と時間的相関を別々に考慮して、そのような空間的・時間的依存関係をモデル化する。 本稿では,局所的マルチヘッド自己アテンションを用いた空間時間グラフ上での空間空間的・時間的相関を直接モデル化する。
  論文  参考訳（メタデータ） (2022-07-09T19:21:00Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• 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)
• Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
  チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。 私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-01-19T03:08:03Z)
• On the spatial attention in Spatio-Temporal Graph Convolutional Networks for skeleton-based human action recognition [97.14064057840089]
  カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。 最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
  論文  参考訳（メタデータ） (2020-11-07T19:03:04Z)

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。