論文の概要: Adaptive Graph Pruning with Sudden-Events Evaluation for Traffic Prediction using Online Semi-Decentralized ST-GNNs

• arxiv url: http://arxiv.org/abs/2512.17352v1
• Date: Fri, 19 Dec 2025 08:48:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.315251
• Title: Adaptive Graph Pruning with Sudden-Events Evaluation for Traffic Prediction using Online Semi-Decentralized ST-GNNs
• Title（参考訳）: オンライン半分散ST-GNNを用いた交通予測のための突発事象評価付き適応グラフプルーニング
• Authors: Ivan Kralj, Lodovico Giaretta, Gordan Ježić, Ivana Podnar Žarko, Šarūnas Girdzijauskas,
• Abstract要約: 予測のための最も情報性の高い空間コンテキストを保存しながら、冗長な隣接特徴をフィルタリングする適応型プルーニングアルゴリズムを提案する。 このアルゴリズムは、最近のモデル性能に基づいてプルーニング率を調整し、各クラウドレットが精度を損なうことなく、トラフィックの変化を経験する領域に集中できるようにする。 当社のアプローチは,従来のFL,サーバフリーFL,Gossip Learningを併用した,大規模トラフィックデータセットのオンライン半分散環境で評価する。
• 参考スコア（独自算出の注目度）: 0.07456526005219317
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatio-Temporal Graph Neural Networks (ST-GNNs) are well-suited for processing high-frequency data streams from geographically distributed sensors in smart mobility systems. However, their deployment at the edge across distributed compute nodes (cloudlets) createssubstantial communication overhead due to repeated transmission of overlapping node features between neighbouring cloudlets. To address this, we propose an adaptive pruning algorithm that dynamically filters redundant neighbour features while preserving the most informative spatial context for prediction. The algorithm adjusts pruning rates based on recent model performance, allowing each cloudlet to focus on regions experiencing traffic changes without compromising accuracy. Additionally, we introduce the Sudden Event Prediction Accuracy (SEPA), a novel event-focused metric designed to measure responsiveness to traffic slowdowns and recoveries, which are often missed by standard error metrics. We evaluate our approach in an online semi-decentralized setting with traditional FL, server-free FL, and Gossip Learning on two large-scale traffic datasets, PeMS-BAY and PeMSD7-M, across short-, mid-, and long-term prediction horizons. Experiments show that, in contrast to standard metrics, SEPA exposes the true value of spatial connectivity in predicting dynamic and irregular traffic. Our adaptive pruning algorithm maintains prediction accuracy while significantly lowering communication cost in all online semi-decentralized settings, demonstrating that communication can be reduced without compromising responsiveness to critical traffic events.
• Abstract（参考訳）: 時空間グラフニューラルネットワーク(ST-GNN)は、地理的に分散したセンサからの高周波データストリームをスマートモビリティシステムで処理するのに適している。 しかしながら、エッジにおける分散計算ノード(クラウドレット)のデプロイは、近隣のクラウドレット間で重複するノード機能の繰り返し送信によって、実質的な通信オーバーヘッドを発生させる。 そこで本研究では,冗長な近傍特徴を動的にフィルタする適応型プルーニングアルゴリズムを提案する。 このアルゴリズムは、最近のモデル性能に基づいてプルーニング率を調整し、各クラウドレットが精度を損なうことなく、トラフィックの変化を経験する領域に集中できるようにする。 さらに,SEPA(Sudden Event Prediction Accuracy)という,トラフィックのスローダウンやリカバリに対する応答性の計測を目的とした,新しいイベント中心のメトリクスを紹介した。 我々は,従来のFL,サーバフリーFL,Gossip Learningを併用したオンライン半分散環境において,短期・中・長期にわたる2つの大規模トラフィックデータセットであるPeMS-BAYとPeMSD7-Mを用いてアプローチを評価した。 実験によると、標準メトリクスとは対照的に、SEPAは動的および不規則なトラフィックを予測する際に空間接続の真の価値を公開する。 適応型プルーニングアルゴリズムは,通信コストを大幅に低減しつつ,予測精度を維持し,重要な交通イベントに対する応答性を損なうことなく通信を低減できることを示す。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Deformable Dynamic Convolution for Accurate yet Efficient Spatio-Temporal Traffic Prediction [1.7268829007643391]
  変形可能な動的畳み込みネットワーク(Deformable Dynamic Convolutional Network, DDCN)は、変形可能な動的操作と受容的な動的操作の両方を統合する新しいCNNベースのアーキテクチャである。 DDCNは計算コストを大幅に削減しつつ、競争力のある予測性能を実現し、大規模かつリアルタイムなデプロイメントの可能性を強調している。
  論文  参考訳（メタデータ） (2025-07-13T06:49:35Z)
• STAMImputer: Spatio-Temporal Attention MoE for Traffic Data Imputation [36.880711201508085]
  既存のタイム・ツー・スペースのメソッドは、ブロック単位で欠落したデータシナリオの特徴を効果的に抽出することができないことが多い。 本稿では,トラフィックデータ計算のためのSTAMImputerという,専門家ネットワークの時空間注意混合方式を提案する。 その結果,STAMImputer は既存の SOTA 手法に比べて性能が大幅に向上した。
  論文  参考訳（メタデータ） (2025-06-09T04:05:00Z)
• Graph Flow Matching: Enhancing Image Generation with Neighbor-Aware Flow Fields [19.09766809443072]
  フローマッチングはサンプル生成を,データにノイズを伝達する連続時間速度場学習として使用する。 学習速度を反応項に分解する軽量な拡張であるグラフフローマッチングを提案する。 事前訓練された変分オートエンコーダの潜伏空間で作動する。
  論文  参考訳（メタデータ） (2025-05-30T10:17:50Z)
• Semi-decentralized Training of Spatio-Temporal Graph Neural Networks for Traffic Prediction [0.15978270011184256]
  スマートモビリティ領域における時空間グラフ時間ニューラルネットワーク(ST-GNN)のための半分散トレーニング手法を探索し,適応する。 センサを複数のクラウドレットに近接してグループ化するシミュレーションフレームワークを実装した。 半分散的なセットアップは、パフォーマンスメトリクスの集中的なアプローチと同等であることを示す。
  論文  参考訳（メタデータ） (2024-12-04T10:20:21Z)
• 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)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• 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)
• FLARE: Detection and Mitigation of Concept Drift for Federated Learning based IoT Deployments [2.7776688429637466]
  FLAREは、トレーニングデータを条件付きで転送し、エッジとセンサのエンドポイント間でモデルをデプロイする、軽量なデュアルスケジューリングFLフレームワークである。 固定間隔スケジューリング法と比較して,FLAREはエッジノードとセンサノード間で交換されるデータ量を大幅に削減できることを示す。 少なくとも16倍のレイテンシで、コンセプトドリフトを反応的に検出できる。
  論文  参考訳（メタデータ） (2023-05-15T10:09:07Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• Online Spatio-Temporal Correlation-Based Federated Learning for Traffic Flow Forecasting [11.253575460227127]
  本稿では,FLフレームワークにおけるオンライン学習(OL)方式を用いた交通流の予測に関する最初の研究を行う。 次に,オンライン時空間相関に基づくフェデレート学習(FedOSTC)という新しい予測手法を提案する。
  論文  参考訳（メタデータ） (2023-02-17T02:37:36Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)

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。