論文の概要: HSTMixer: A Hierarchical MLP-Mixer for Large-Scale Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2512.07854v1
- Date: Wed, 26 Nov 2025 07:16:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-15 04:16:52.517989
- Title: HSTMixer: A Hierarchical MLP-Mixer for Large-Scale Traffic Forecasting
- Title（参考訳）: HSTMixer:大規模トラフィック予測のための階層型MLPミキサー
- Authors: Yongyao Wang, Jingyuan Wang, Xie Yu, Jiahao Ji, Chao Li,
- Abstract要約: 既存のモデルは2次計算の複雑さを示すことが多く、大規模な実世界のシナリオでは実用的ではない。
本稿では,効率的な大規模交通予測のための新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 14.752235230314426
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic forecasting task is significant to modern urban management. Recently, there is growing attention on large-scale forecasting, as it better reflects the complexity of real-world traffic networks. However, existing models often exhibit quadratic computational complexity, making them impractical for large-scale real-world scenarios. In this paper, we propose a novel framework, Hierarchical Spatio-Temporal Mixer (HSTMixer), which leverages an all-MLP architecture for efficient and effective large-scale traffic forecasting. HSTMixer employs a hierarchical spatiotemporal mixing block to extract multi-resolution features through bottom-up aggregation and top-down propagation. Furthermore, an adaptive region mixer generates transformation matrices based on regional semantics, enabling our model to dynamically capture evolving spatiotemporal patterns for different regions. Extensive experiments conducted on four large-scale real-world datasets demonstrate that the proposed method not only achieves state-of-the-art performance but also exhibits competitive computational efficiency.
- Abstract（参考訳）: 交通予報は現代の都市経営にとって重要な課題である。
近年,現実の交通ネットワークの複雑さを反映した大規模予測に注目が集まっている。
しかし、既存のモデルは2次計算の複雑さを示すことが多く、大規模な実世界のシナリオでは実用的ではない。
本稿では,全MLPアーキテクチャを有効かつ効率的な大規模交通予測に活用した,階層型時空間混合器(HSTMixer)を提案する。
HSTMixerは階層的な時空間混合ブロックを用いてボトムアップアグリゲーションとトップダウン伝搬を通じて多分解能特徴を抽出する。
さらに、適応型領域ミキサーは、地域意味論に基づく変換行列を生成し、異なる領域における時空間パターンの進化を動的に捉えることができる。
4つの大規模実世界のデータセットで実施された大規模な実験により、提案手法は最先端の性能を達成するだけでなく、競争力のある計算効率を示すことが示された。
関連論文リスト
- Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。
我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
論文 参考訳（メタデータ） (2025-09-03T18:05:02Z) - Whenever, Wherever: Towards Orchestrating Crowd Simulations with Spatio-Temporal Spawn Dynamics [65.72663487116439]
ニューラル・テンポラル・ポイント・プロセスを用いて生成時間生成ダイナミクスをモデル化するnTPP-GMMを提案する。
我々は,nTPP-GMMを用いた3つの実世界のデータセットのシミュレーションによるアプローチの評価を行った。
論文 参考訳（メタデータ） (2025-03-20T18:46:41Z) - PreMixer: MLP-Based Pre-training Enhanced MLP-Mixers for Large-scale Traffic Forecasting [30.055634767677823]
都市コンピューティングでは,交通ネットワークからの時系列データの正確かつ迅速な予測が重要である。
現在の研究制限は、モデル固有の非効率性と、モデル複雑さによる大規模トラフィックアプリケーションに対する不適合性のためである。
本稿では,このギャップを埋めるための新しいフレームワークPreMixerを提案する。MLP(Multi-Layer Perceptrons)の原理に基づく予測モデルと事前学習機構を特徴とする。
我々のフレームワークは,大規模トラフィックデータセットの広範な実験により検証され,高い計算効率を維持しながら,同等の最先端性能を実現している。
論文 参考訳（メタデータ） (2024-12-18T08:35:40Z) - RPMixer: Shaking Up Time Series Forecasting with Random Projections for Large Spatial-Temporal Data [33.0546525587517]
RPMixer と呼ばれる全MLP時系列予測アーキテクチャを提案する。
提案手法は,各ブロックがアンサンブルモデルにおいてベース学習者のように振る舞う深層ニューラルネットワークのアンサンブル的挙動に乗じる。
論文 参考訳（メタデータ） (2024-02-16T07:28:59Z) - 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) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z)
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。