論文の概要: Error Adjustment Based on Spatiotemporal Correlation Fusion for Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2510.23656v1
• Date: Sat, 25 Oct 2025 23:48:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.321208
• Title: Error Adjustment Based on Spatiotemporal Correlation Fusion for Traffic Forecasting
• Title（参考訳）: 時空間相関融合による交通予測の誤差調整
• Authors: Fuqiang Liu, Weiping Ding, Luis Miranda-Moreno, Lijun Sun,
• Abstract要約: 平均誤差推定による予測モデルをトレーニングする一般的な仮定は、時間ステップと空間位置の誤差は無関係である。 本稿では,交通予測における時間的自動関連誤差補正(SAEA, Stemporally Autorelated Error Adjustment)を提案する。
• 参考スコア（独自算出の注目度）: 22.37553946699755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks (DNNs) play a significant role in an increasing body of research on traffic forecasting due to their effectively capturing spatiotemporal patterns embedded in traffic data. A general assumption of training the said forecasting models via mean squared error estimation is that the errors across time steps and spatial positions are uncorrelated. However, this assumption does not really hold because of the autocorrelation caused by both the temporality and spatiality of traffic data. This gap limits the performance of DNN-based forecasting models and is overlooked by current studies. To fill up this gap, this paper proposes Spatiotemporally Autocorrelated Error Adjustment (SAEA), a novel and general framework designed to systematically adjust autocorrelated prediction errors in traffic forecasting. Unlike existing approaches that assume prediction errors follow a random Gaussian noise distribution, SAEA models these errors as a spatiotemporal vector autoregressive (VAR) process to capture their intrinsic dependencies. First, it explicitly captures both spatial and temporal error correlations by a coefficient matrix, which is then embedded into a newly formulated cost function. Second, a structurally sparse regularization is introduced to incorporate prior spatial information, ensuring that the learned coefficient matrix aligns with the inherent road network structure. Finally, an inference process with test-time error adjustment is designed to dynamically refine predictions, mitigating the impact of autocorrelated errors in real-time forecasting. The effectiveness of the proposed approach is verified on different traffic datasets. Results across a wide range of traffic forecasting models show that our method enhances performance in almost all cases.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、トラフィックデータに埋め込まれた時空間パターンを効果的に捉えることにより、トラフィック予測に関する研究の活発化に重要な役割を果たしている。 平均二乗誤差推定による予測モデルのトレーニングの一般的な前提は、時間ステップと空間位置の誤差が相関しないということである。 しかし、この仮定は、交通データの時間性と空間性の両方に起因する自己相関のため、実際には成り立たない。 このギャップはDNNベースの予測モデルの性能を制限しており、現在の研究で見過ごされている。 このギャップを埋めるために,交通予測における自己相関予測誤差を体系的に調整する新奇で汎用的なフレームワークである時空間的自己相関誤差調整(SAEA)を提案する。 予測誤差を仮定する既存のアプローチとは異なり、SAEAはこれらのエラーを時空間ベクトル自己回帰(VAR)プロセスとしてモデル化し、固有の依存関係をキャプチャする。 まず、係数行列によって空間的および時間的誤差の相関を明示的にキャプチャし、新たに定式化されたコスト関数に埋め込む。 第2に、学習された係数行列が固有の道路ネットワーク構造と整合することを保証するために、事前空間情報を組み込むために、構造的にスパースな正規化を導入する。 最後に、実時間予測における自己相関誤差の影響を緩和し、動的に予測を洗練させるために、テスト時間誤差調整を伴う推論処理を設計する。 提案手法の有効性を,異なるトラフィックデータセットで検証する。 幅広い交通予測モデルによる結果から, ほぼすべてのケースにおいて, 提案手法が性能を向上させることが示唆された。

関連論文リスト

• Unsupervised Anomaly Prediction with N-BEATS and Graph Neural Network in Multi-variate Semiconductor Process Time Series [1.0874100424278175]
  半導体製造における異常予測には いくつか重要な課題があります 変数間の複雑な相互依存性は、異常予測と根本原因分析の両方を複雑にする。 本稿では,異常検出から異常予測まで,新たな2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-23T16:33:52Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Topology-Aware Conformal Prediction for Stream Networks [54.505880918607296]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• 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)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Probabilistic Traffic Forecasting with Dynamic Regression [15.31488551912888]
  本稿では,交通予測における誤り過程の学習を取り入れた動的回帰(DR)フレームワークを提案する。 このフレームワークは、行列構造自己回帰(AR)モデルを用いてベースモデルのエラー系列をモデル化することにより、時間独立の仮定を緩和する。 新たに設計された損失関数は、非等方的誤差項の確率に基づいており、モデルがベースモデルの元の出力を保持しながら確率的予測を生成することができる。
  論文  参考訳（メタデータ） (2023-01-17T01:12:44Z)
• Practical Adversarial Attacks on Spatiotemporal Traffic Forecasting Models [9.885060319609831]
  既存の手法は信頼性が高く偏りのない予測環境を前提としており、必ずしも野生では利用できない。 我々は,すべてのデータソースを同時に攻撃する代わりに,現実的な敵攻撃フレームワークを提案する。 理論的には、敵の交通予測攻撃の最悪の性能境界を実証する。
  論文  参考訳（メタデータ） (2022-10-05T02:25:10Z)
• Residual Correction in Real-Time Traffic Forecasting [29.93640276427495]
  ディープラーニングベースのトラフィック予測モデルは、主にイベント状況において、特定のパターンで失敗する。 本稿では,交通予測のための残差推定モジュールResCALを紹介する。 我々のResCALは、過去のエラーとグラフ信号を用いて将来のエラーを推定することにより、既存のモデルの予測をリアルタイムで調整する。
  論文  参考訳（メタデータ） (2022-09-12T16:57:25Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)

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。