論文の概要: PAST: A Primary-Auxiliary Spatio-Temporal Network for Traffic Time Series Imputation
- arxiv url: http://arxiv.org/abs/2511.13414v1
- Date: Mon, 17 Nov 2025 14:28:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:25.300526
- Title: PAST: A Primary-Auxiliary Spatio-Temporal Network for Traffic Time Series Imputation
- Title（参考訳）: PAST: 交通時系列インプットのための一次補助時空間ネットワーク
- Authors: Hanwen Hu, Zimo Wen, Shiyou Qian, Jian Co,
- Abstract要約: 本稿では,PAST(Pary-Auxiliary Spatio-Temporal Network)を提案する。
グラフ統合モジュール(GIM)とクロスゲートモジュール(CGM)から構成される。
27の欠落したデータ条件下での3つのデータセットの実験は、PASTが7つの最先端ベースラインを上回っていることを示している。
- 参考スコア（独自算出の注目度）: 5.55696088231328
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic time series imputation is crucial for the safety and reliability of intelligent transportation systems, while diverse types of missing data, including random, fiber, and block missing make the imputation task challenging. Existing models often focus on disentangling and separately modeling spatial and temporal patterns based on relationships between data points. However, these approaches struggle to adapt to the random missing positions, and fail to learn long-term and large-scale dependencies, which are essential in extensive missing conditions. In this paper, patterns are categorized into two types to handle various missing data conditions: primary patterns, which originate from internal relationships between data points, and auxiliary patterns, influenced by external factors like timestamps and node attributes. Accordingly, we propose the Primary-Auxiliary Spatio-Temporal network (PAST). It comprises a graph-integrated module (GIM) and a cross-gated module (CGM). GIM captures primary patterns via dynamic graphs with interval-aware dropout and multi-order convolutions, and CGM extracts auxiliary patterns through bidirectional gating on embedded external features. The two modules interact via shared hidden vectors and are trained under an ensemble self-supervised framework. Experiments on three datasets under 27 missing data conditions demonstrate that the imputation accuracy of PAST outperforms seven state-of-the-art baselines by up to 26.2% in RMSE and 31.6% in MAE.
- Abstract（参考訳）: 交通時系列計算はインテリジェント輸送システムの安全性と信頼性に不可欠であるが、ランダム、ファイバ、ブロックの欠落など、さまざまな種類の欠落データがあるため、計算作業は困難である。
既存のモデルは、しばしばデータポイント間の関係に基づいて、空間的パターンと時間的パターンを分離してモデル化することに焦点を当てる。
しかし、これらのアプローチは、ランダムな欠落した位置への適応に苦慮し、広範囲な欠落条件に不可欠な長期的および大規模依存関係の学習に失敗する。
本稿では,データポイント間の内部関係から派生した一次パターンと,タイムスタンプやノード属性などの外部要因の影響を受けやすい補助パターンの2種類に分類する。
そこで本稿では,プライマリ・補助時空間ネットワーク(PAST)を提案する。
グラフ統合モジュール(GIM)とクロスゲートモジュール(CGM)から構成される。
GIMは、間隔対応のドロップアウトと複数階畳み込みを備えた動的グラフを通じて一次パターンをキャプチャし、CGMは、組込み外部特徴の双方向ゲーティングを通じて補助パターンを抽出する。
2つのモジュールは共有された隠れベクターを介して相互作用し、アンサンブルの自己管理フレームワークの下で訓練される。
27のデータ条件下での3つのデータセットの実験では、PASTの計算精度はRMSEの26.2%、MAEの31.6%で7つの最先端のベースラインを上回っている。
関連論文リスト
- Time-Correlated Video Bridge Matching [49.94768097995648]
Time-Correlated Video Bridge Matching (TCVBM) は、Bridge Matching (BM) をビデオ領域の時間関連データシーケンスに拡張するフレームワークである。
TCVBMは、複数の量的指標にまたがって優れた性能を達成し、生成品質の向上と再構成の忠実性を示す。
論文 参考訳（メタデータ） (2025-10-14T12:35:30Z) - ASTGI: Adaptive Spatio-Temporal Graph Interactions for Irregular Multivariate Time Series Forecasting [16.98710098925001]
IMTS固有の不規則区間は、既存の方法に2つの主要な課題をもたらす。
本稿では,これらの課題に対処するための適応時空間グラフインタラクション(ASTGI)フレームワークを提案する。
複数のベンチマークデータセットの実験では、ASTGIが様々な最先端メソッドより優れていることが示されている。
論文 参考訳（メタデータ） (2025-09-27T14:00:27Z) - VISTA: Unsupervised 2D Temporal Dependency Representations for Time Series Anomaly Detection [42.694234312755285]
時系列異常検出(TSAD)は、ラベルのない時系列データの中で稀で潜在的に有害な事象を明らかにするのに不可欠である。
本稿では,これらの課題を克服するために,トレーニング不要で教師なしのTSADアルゴリズムであるVISTAを紹介する。
論文 参考訳（メタデータ） (2025-04-03T11:20:49Z) - Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis [31.43159668073136]
時系列における教師なし異常検出は、手動による介入の必要性を大幅に低減するため、産業応用において不可欠である。
従来の手法では、グラフニューラルネットワーク(GNN)やトランスフォーマーを使用して空間を解析し、RNNは時間的依存をモデル化していた。
本稿では,TopoGDNと呼ばれる多変量時系列異常検出のための拡張グラフ注意ネットワーク(GAT)上に構築された新しい時間モデルを提案する。
論文 参考訳（メタデータ） (2024-08-23T14:06:30Z) - UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。
提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
論文 参考訳（メタデータ） (2024-06-07T14:39:28Z) - Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。
具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。
バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
論文 参考訳（メタデータ） (2024-05-27T22:15:23Z) - Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。
グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。
グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文 参考訳（メタデータ） (2023-09-11T08:44:07Z) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-25T03:37:00Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z) - Forecast Network-Wide Traffic States for Multiple Steps Ahead: A Deep
Learning Approach Considering Dynamic Non-Local Spatial Correlation and
Non-Stationary Temporal Dependency [6.019104024723682]
本研究では,交通予測における2つの問題について検討する。(1)交通リンク間の動的・非局所的な空間的相関を捉え,(2)正確な複数ステップの予測を行うための時間依存性のダイナミクスをモデル化する。
本稿では,これらの問題に対処するため,時空間列列モデル(STSeq2Seq)というディープラーニングフレームワークを提案する。
このモデルは、時間的特徴を捉えるためにシーケンスからシーケンス(seq2seq)アーキテクチャに基づいて構築され、空間情報を集約するためのグラフ畳み込みに依存している。
論文 参考訳（メタデータ） (2020-04-06T03:40:56Z)
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。