論文の概要: Traffic flow forecasting, STL decomposition, Hybrid model, LSTM, ARIMA, XGBoost, Intelligent transportation systems

• arxiv url: http://arxiv.org/abs/2510.23668v1
• Date: Sun, 26 Oct 2025 15:54:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.332733
• Title: Traffic flow forecasting, STL decomposition, Hybrid model, LSTM, ARIMA, XGBoost, Intelligent transportation systems
• Title（参考訳）: 交通流予測、STL分解、ハイブリッドモデル、LSTM、ARIMA、XGBoost、インテリジェントトランスポートシステム
• Authors: Fujiang Yuan, Yangrui Fan, Xiaohuan Bing, Zhen Tian, Chunhong Yuan, Yankang Li,
• Abstract要約: 単一モデルアプローチは、トラフィックフローデータにおける複雑で非線形で多スケールの時間パターンを捉えるのに失敗することが多い。 そこで本研究では,Loess を用いた季節トレンド分解を統合した分解駆動型ハイブリッドフレームワークを提案する。 2015年11月から12月にかけて、ニューヨーク市の交差点で発生した998件の交通量記録を用いて、LSTM ARIMA XGBoostハイブリッドモデルは、スタンドアローンモデルよりも大幅に優れていた。
• 参考スコア（独自算出の注目度）: 3.2773853185159734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate traffic flow forecasting is essential for intelligent transportation systems and urban traffic management. However, single model approaches often fail to capture the complex, nonlinear, and multi scale temporal patterns in traffic flow data. This study proposes a decomposition driven hybrid framework that integrates Seasonal Trend decomposition using Loess (STL) with three complementary predictive models. STL first decomposes the original time series into trend, seasonal, and residual components. Then, a Long Short Term Memory (LSTM) network models long term trends, an Autoregressive Integrated Moving Average (ARIMA) model captures seasonal periodicity, and an Extreme Gradient Boosting (XGBoost) algorithm predicts nonlinear residual fluctuations. The final forecast is obtained through multiplicative integration of the sub model predictions. Using 998 traffic flow records from a New York City intersection between November and December 2015, results show that the LSTM ARIMA XGBoost hybrid model significantly outperforms standalone models including LSTM, ARIMA, and XGBoost across MAE, RMSE, and R squared metrics. The decomposition strategy effectively isolates temporal characteristics, allowing each model to specialize, thereby improving prediction accuracy, interpretability, and robustness.
• Abstract（参考訳）: インテリジェント交通システムと都市交通管理には,正確な交通流予測が不可欠である。 しかし、単一モデルアプローチは、トラフィックフローデータにおける複雑な、非線形で、多スケールの時間パターンを捉えるのに失敗することが多い。 本研究では,STL(Loess)を用いた季節トレンド分解と3つの相補的予測モデルを統合する分解駆動ハイブリッドフレームワークを提案する。 STLは最初、オリジナルの時系列をトレンド、季節、残留成分に分解する。 次に,Long Short Term Memory(LSTM)ネットワークモデル,Autoregressive Integrated Integrated Average(ARIMA)モデル,Extreme Gradient Boosting(XGBoost)アルゴリズムを用いて,不規則な残留変動を予測する。 最終的な予測は、サブモデル予測の乗算積分によって得られる。 2015年11月から12月にかけてニューヨーク市の交差点で発生した998件の交通流記録から,LSTM ARIMA XGBoostハイブリッドモデルは,MAE,RMSE,R2乗計でLSTM,ARIMA,XGBoostなどのスタンドアローンモデルよりも有意に優れていた。 分解戦略は時間特性を効果的に分離し、各モデルを専門化し、予測精度、解釈可能性、堅牢性を向上させる。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• 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)
• Generalization capabilities and robustness of hybrid models grounded in physics compared to purely deep learning models [2.8686437689115363]
  本研究では,流体力学応用における物理原理に基づく純粋深層学習モデルとハイブリッドモデルの一般化能力と堅牢性について検討する。 3つの自己回帰モデルを比較した: 適切な分解(POD)と長期記憶(LSTM)層を組み合わせたハイブリッドモデル(POD-DL)、畳み込みLSTM層を組み合わせた畳み込みオートエンコーダ(VAE)とConvLSTM層を組み合わせた変分オートエンコーダ(VAE)。 VAEモデルとConvLSTMモデルが正確に層流を予測する一方で、ハイブリッドPOD-DLモデルは他のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-04-27T12:43:02Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• 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)
• A Hybrid Residual Dilated LSTM end Exponential Smoothing Model for Mid-Term Electric Load Forecasting [1.1602089225841632]
  このモデルは指数的平滑化(ETS)、高度なLong Short-Term Memory(LSTM)とアンサンブルを組み合わせたものである。 欧州35か国における月次電力需要時系列のシミュレーション研究により,提案モデルの高性能性が確認された。
  論文  参考訳（メタデータ） (2020-03-29T10:53:50Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。