論文の概要: Airport Passenger Flow Forecasting via Deformable Temporal-Spectral Transformer Approach

• arxiv url: http://arxiv.org/abs/2512.11845v1
• Date: Thu, 04 Dec 2025 02:45:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-21 14:22:08.718809
• Title: Airport Passenger Flow Forecasting via Deformable Temporal-Spectral Transformer Approach
• Title（参考訳）: 変形可能な時間スペクトル変換器による空港乗客の流動予測
• Authors: Wenbo Du, Lingling Han, Ying Xiong, Ling Zhang, Biyue Li, Yisheng Lv, Tong Guo,
• Abstract要約: 本稿では,変形可能な時間スペクトル変換器DTSFormerを提案する。 入力シーケンスは、新しいウィンドウ関数ベースのマスキングを介して、時間パッチに分割される。 各スケール内では、高周波数成分と低周波数成分の両方を捕捉する周波数領域アテンション機構が設計されている。
• 参考スコア（独自算出の注目度）: 20.9406592821593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate forecasting of passenger flows is critical for maintaining the efficiency and resilience of airport operations. Recent advances in patch-based Transformer models have shown strong potential in various time series forecasting tasks. However, most existing methods rely on fixed-size patch embedding, making it difficult to model the complex and heterogeneous patterns of airport passenger flows. To address this issue, this paper proposes a deformable temporal-spectral transformer named DTSFormer that integrates a multiscale deformable partitioning module and a joint temporal-spectral filtering module. Specifically, the input sequence is dynamically partitioned into multiscale temporal patches via a novel window function-based masking, enabling the extraction of heterogeneous trends across different temporal stages. Then, within each scale, a frequency-domain attention mechanism is designed to capture both high- and low-frequency components, thereby emphasizing the volatility and periodicity inherent in airport passenger flows. Finally, the resulting multi-frequency features are subsequently fused in the time domain to jointly model short-term fluctuations and long-term trends. Comprehensive experiments are conducted on real-world passenger flow data collected at Beijing Capital International Airport from January 2023 to March 2024. The results indicate that the proposed method consistently outperforms state-of-the-art forecasting models across different prediction horizons. Further analysis shows that the deformable partitioning module aligns patch lengths with dominant periods and heterogeneous trends, enabling superior capture of sudden high-frequency fluctuations.
• Abstract（参考訳）: 空港運営の効率化とレジリエンスを維持するためには, 旅客流の正確な予測が重要である。 パッチベースのTransformerモデルの最近の進歩は、様々な時系列予測タスクにおいて大きなポテンシャルを示している。 しかし、既存の方法の多くは固定サイズのパッチ埋め込みに依存しており、空港の旅客輸送路の複雑で異質なパターンをモデル化することは困難である。 この問題に対処するために,マルチスケールの変形可能な分割モジュールと結合した時間スペクトルフィルタモジュールを統合したDTSFormerという変形可能な時間スペクトル変換器を提案する。 具体的には、入力シーケンスを新しいウィンドウ関数ベースのマスキングによってマルチスケールの時間パッチに動的に分割し、異なる時間段階にわたる異種傾向の抽出を可能にする。 そして、各スケールにおいて、高周波数成分と低周波数成分の両方を捕捉する周波数領域の注意機構を設計し、空港の旅客流に固有の変動性と周期性を強調する。 最後に、結果として生じる多周波の特徴を時間領域に融合させ、短期的変動と長期的傾向を共同でモデル化する。 2023年1月から2024年3月まで、北京首都国際空港で収集された実世界の乗客フローデータについて総合実験を行った。 その結果,提案手法は様々な予測地平線にまたがって常に最先端の予測モデルより優れていたことが示唆された。 さらなる解析により、変形可能な分割モジュールはパッチの長さを支配的な周期と不均一な傾向と整合させ、突然の高周波変動を捕えることができることを示した。

関連論文リスト

• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Pathformer: Multi-scale Transformers with Adaptive Pathways for Time Series Forecasting [31.503121606451113]
  適応経路を持つマルチスケールトランスであるPathformerを提案する。 時間分解能と時間距離を統合してマルチスケールモデリングを行う。
  論文  参考訳（メタデータ） (2024-02-04T15:33:58Z)
• Stochastic Latent Transformer: Efficient Modelling of Stochastically Forced Zonal Jets [0.0]
  本稿では,SLT(Stochastic Latent Transformer)という新しい確率論的学習手法を提案する。 SLTは、様々な統合期間にわたってシステムダイナミクスを正確に再現し、定量的診断を通じて検証する。 水平平均流をエミュレートする際の5次のマグニチュードスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-10-25T16:17:00Z)
• Stecformer: Spatio-temporal Encoding Cascaded Transformer for Multivariate Long-term Time Series Forecasting [11.021398675773055]
  本稿では,特徴抽出とターゲット予測の観点から,問題の完全な解決法を提案する。 抽出のために,半適応グラフを含む効率的な時間的符号化抽出器を設計し,十分な時間的情報を取得する。 予測のために、異なる間隔間の相関を強化するためにカスケードデ予測器(CDP)を提案する。
  論文  参考訳（メタデータ） (2023-05-25T13:00:46Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)

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。