論文の概要: FUSE-Traffic: Fusion of Unstructured and Structured Data for Event-aware Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2510.16053v1
• Date: Thu, 16 Oct 2025 19:33:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.810602
• Title: FUSE-Traffic: Fusion of Unstructured and Structured Data for Event-aware Traffic Forecasting
• Title（参考訳）: FUSE-Traffic:イベント対応トラフィック予測のための構造化データと構造化データの融合
• Authors: Chenyang Yu, Xinpeng Xie, Yan Huang, Chenxi Qiu,
• Abstract要約: 都市化が進むにつれ、交通渋滞が増大し、信頼性と応答性のある予測モデルの必要性が強調された。 ディープラーニング、特にグラフニューラルネットワーク(GNN)は、トラフィック予測の主流パラダイムとして現れています。 これらのアプローチには、洗練されたグラフ畳み込み構造と時間的モデリング機構が組み込まれている。
• 参考スコア（独自算出の注目度）: 14.157362071187897
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate traffic forecasting is a core technology for building Intelligent Transportation Systems (ITS), enabling better urban resource allocation and improved travel experiences. With growing urbanization, traffic congestion has intensified, highlighting the need for reliable and responsive forecasting models. In recent years, deep learning, particularly Graph Neural Networks (GNNs), has emerged as the mainstream paradigm in traffic forecasting. GNNs can effectively capture complex spatial dependencies in road network topology and dynamic temporal evolution patterns in traffic flow data. Foundational models such as STGCN and GraphWaveNet, along with more recent developments including STWave and D2STGNN, have achieved impressive performance on standard traffic datasets. These approaches incorporate sophisticated graph convolutional structures and temporal modeling mechanisms, demonstrating particular effectiveness in capturing and forecasting traffic patterns characterized by periodic regularities. To address this challenge, researchers have explored various ways to incorporate event information. Early attempts primarily relied on manually engineered event features. For instance, some approaches introduced manually defined incident effect scores or constructed specific subgraphs for different event-induced traffic conditions. While these methods somewhat enhance responsiveness to specific events, their core drawback lies in a heavy reliance on domain experts' prior knowledge, making generalization to diverse and complex unknown events difficult, and low-dimensional manual features often lead to the loss of rich semantic details.
• Abstract（参考訳）: 正確な交通予測は、インテリジェントトランスポーテーションシステム(ITS)を構築するための中核技術であり、都市資源の確保と旅行体験の改善を可能にする。 都市化が進むにつれ、交通渋滞が増大し、信頼性と応答性のある予測モデルの必要性が強調された。 近年、ディープラーニング、特にグラフニューラルネットワーク(GNN)が、トラフィック予測の主流パラダイムとして現れています。 GNNは交通流データにおける道路ネットワークトポロジと動的時間進化パターンの複雑な空間依存性を効果的に捉えることができる。 STGCNやGraphWaveNetといった基礎的なモデルは、STWaveやD2STGNNといった最近の開発とともに、標準的なトラフィックデータセットで素晴らしいパフォーマンスを実現しています。 これらの手法には高度なグラフ畳み込み構造と時間的モデリング機構が組み込まれており、周期的規則性によって特徴づけられる交通パターンの捕捉と予測に特に有効であることが示されている。 この課題に対処するために、研究者はイベント情報を組み込む様々な方法を模索してきた。 初期の試みは主に手動で設計したイベント機能に依存していた。 例えば、いくつかのアプローチでは、手動でインシデント効果スコアを定義したり、異なるイベント誘発交通条件のための特定のサブグラフを構築したりしている。 これらの手法は特定の事象に対する応答性を幾分高めるが、その中核的な欠点はドメインの専門家の事前知識に大きく依存していることであり、多様で複雑な未知の事象への一般化を困難にし、低次元のマニュアル特徴はしばしばリッチなセマンティックな詳細が失われる。

関連論文リスト

• Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
  ネットワーク化された都市システムは人、資源、サービスのフローを促進する。 グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。 本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
  論文  参考訳（メタデータ） (2025-07-31T01:24:01Z)
• Spatiotemporal-aware Trend-Seasonality Decomposition Network for Traffic Flow Forecasting [37.33982103558488]
  我々は新しいモデル、Stemporal-Aware Trend-Seasonality Decomposition Network (STDN)を導入する。 STDNはグラフ内の異なる時間で各トラフィックノードのトレンド循環成分と季節成分を分離する。 実世界の交通データセットで行った実験は、STDNが顕著なコストで優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2025-02-17T03:29:02Z)
• NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
  我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。 ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
  論文  参考訳（メタデータ） (2024-12-30T00:47:49Z)
• Navigating Spatio-Temporal Heterogeneity: A Graph Transformer Approach for Traffic Forecasting [13.309018047313801]
  交通予測はスマートシティの発展において重要な研究分野として浮上している。 最短時間相関のためのネットワークモデリングの最近の進歩は、パフォーマンスのリターンが低下し始めている。 これらの課題に対処するために、時空間グラフ変換器(STGormer)を導入する。 本研究では,その構造に基づく空間符号化手法を2つ設計し,時間位置をバニラ変圧器に統合して時間的トラフィックパターンをキャプチャする。
  論文  参考訳（メタデータ） (2024-08-20T13:18:21Z)
• Spatio-Temporal Graph Neural Point Process for Traffic Congestion Event Prediction [16.530361912832763]
  本稿では,交通渋滞イベント予測のための時間グラフニューラルポイントプロセスフレームワークSTNPPを提案する。 提案手法は,既存の最先端手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-11-15T01:22:47Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• 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)
• Learning dynamic and hierarchical traffic spatiotemporal features with Transformer [4.506591024152763]
  本稿では,空間時間グラフモデリングと長期交通予測のための新しいモデルであるTraffic Transformerを提案する。 Transformerは自然言語処理(NLP)で最も人気のあるフレームワークです。 注目重量行列を解析すれば 道路網の 影響力のある部分を見つけられる 交通網をよりよく学べる
  論文  参考訳（メタデータ） (2021-04-12T02:29:58Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。