論文の概要: Capturing Complex Spatial-Temporal Dependencies in Traffic Forecasting: A Self-Attention Approach

• arxiv url: http://arxiv.org/abs/2511.07980v1
• Date: Wed, 12 Nov 2025 01:32:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.578958
• Title: Capturing Complex Spatial-Temporal Dependencies in Traffic Forecasting: A Self-Attention Approach
• Title（参考訳）: 交通予測における複雑な時空間依存性のキャプチャ:自己注意的アプローチ
• Authors: Zheng Chenghong, Zongyin Deng, Liu Cheng, Xiong Simin, Di Deshi, Li Guanyao,
• Abstract要約: 本研究では,その後の時間帯における地域内流入・流出の予測を目的とした交通予測の課題について検討する。 この問題は、地域間の複雑な空間的および時間的相互依存性のため複雑である。 交通予測のための空間的自己認識モデルST-SAMを提案する。
• 参考スコア（独自算出の注目度）: 0.5541644538483947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of traffic forecasting, aiming to predict the inflow and outflow of a region in the subsequent time slot. The problem is complex due to the intricate spatial and temporal interdependence among regions. Prior works study the spatial and temporal dependency in a decouple manner, failing to capture their joint effect. In this work, we propose ST-SAM, a novel and efficient Spatial-Temporal Self-Attention Model for traffic forecasting. ST-SAM uses a region embedding layer to learn time-specific embedding from traffic data for regions. Then, it employs a spatial-temporal dependency learning module based on self-attention mechanism to capture the joint spatial-temporal dependency for both nearby and faraway regions. ST-SAM entirely relies on self-attention to capture both local and global spatial-temporal correlations, which make it effective and efficient. Extensive experiments on two real world datasets show that ST-SAM is substantially more accurate and efficient than the state-of-the-art approaches (with an average improvement of up to 15% on RMSE, 17% on MAPE, and 32 times on training time in our experiments).
• Abstract（参考訳）: 本研究では,その後の時間帯における地域内流入・流出の予測を目的とした交通予測の課題について検討する。 この問題は、地域間の複雑な空間的および時間的相互依存性のため複雑である。 先行研究は、空間的および時間的依存を2つの方法で研究し、共同作用を捉えなかった。 本研究では,交通予測のための空間的自己認識モデルST-SAMを提案する。 ST-SAMは、リージョンのトラフィックデータから時間固有の埋め込みを学ぶために、リージョン埋め込み層を使用する。 次に、自己認識機構に基づく空間的時間的依存学習モジュールを用いて、近距離領域と遠距離領域の両方の関節的時間的依存をキャプチャする。 ST-SAMは、局所的およびグローバルな時空間相関を捉えるために、完全に自己注意に依存しており、効率的かつ効率的である。 2つの実世界のデータセットに対する大規模な実験は、ST-SAMが最先端のアプローチよりもかなり正確で効率的であることを示している(RMSEでは平均15%、MAPEでは17%、実験では32倍)。

関連論文リスト

• A theoretical framework for self-supervised contrastive learning for continuous dependent data [79.62732169706054]
  自己教師付き学習(SSL)は、特にコンピュータビジョンの分野で、表現を学習するための強力なアプローチとして登場した。 本稿では,サンプル間のアンフェマティック独立に適した対照的なSSLの理論的枠組みを提案する。 具体的には、標準のUEAベンチマークとUCRベンチマークでTS2Vecを上回り、それぞれ4.17$%と2.08$%の精度で改善した。
  論文  参考訳（メタデータ） (2025-06-11T14:23:47Z)
• 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)
• Efficient 4D fMRI ASD Classification using Spatial-Temporal-Omics-based Learning Framework [7.944298319589845]
  Resting-state fMRIは、脳の接続パターンをキャプチャする非侵襲的なツールで、早期のASD診断と分化を助ける。 平均時系列または全4Dデータに依存する従来の手法は、空間情報の欠如によって制限される。 ASD分類のためのfMRIから脳の時間的特徴を効率的に抽出するための,新しい,シンプルで効率的な時空間オミクス学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-26T18:31:07Z)
• 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)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)
• Spatio-Temporal Self-Supervised Learning for Traffic Flow Prediction [36.77135502344546]
  本稿では,新しいST-SSL(Spatio-Supervised Learning)トラフィック予測フレームワークを提案する。 我々のST-SSLは、時空間の畳み込みによって、空間と時間にまたがる情報を符号化する統合モジュール上に構築されている。 4つのベンチマークデータセットの実験では、ST-SSLは様々な最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2022-12-07T10:02:01Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。