論文の概要: Meta Dynamic Graph for Traffic Flow Prediction

• arxiv url: http://arxiv.org/abs/2601.10328v1
• Date: Thu, 15 Jan 2026 12:15:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.128543
• Title: Meta Dynamic Graph for Traffic Flow Prediction
• Title（参考訳）: 交通流予測のためのメタダイナミックグラフ
• Authors: Yiqing Zou, Hanning Yuan, Qianyu Yang, Ziqiang Yuan, Shuliang Wang, Sijie Ruan,
• Abstract要約: 動的メタグラフ(MetaDG)と呼ばれる交通予測のためのフレームワークを提案する。 ノード表現の動的グラフ構造をモデル時間力学に明示的に活用する。 4つの実世界のデータセットに対する大規模な実験は、MetaDGの有効性を検証する。
• 参考スコア（独自算出の注目度）: 4.6060644265855775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic flow prediction is a typical spatio-temporal prediction problem and has a wide range of applications. The core challenge lies in modeling the underlying complex spatio-temporal dependencies. Various methods have been proposed, and recent studies show that the modeling of dynamics is useful to meet the core challenge. While handling spatial dependencies and temporal dependencies using separate base model structures may hinder the modeling of spatio-temporal correlations, the modeling of dynamics can bridge this gap. Incorporating spatio-temporal heterogeneity also advances the main goal, since it can extend the parameter space and allow more flexibility. Despite these advances, two limitations persist: 1) the modeling of dynamics is often limited to the dynamics of spatial topology (e.g., adjacency matrix changes), which, however, can be extended to a broader scope; 2) the modeling of heterogeneity is often separated for spatial and temporal dimensions, but this gap can also be bridged by the modeling of dynamics. To address the above limitations, we propose a novel framework for traffic prediction, called Meta Dynamic Graph (MetaDG). MetaDG leverages dynamic graph structures of node representations to explicitly model spatio-temporal dynamics. This generates both dynamic adjacency matrices and meta-parameters, extending dynamic modeling beyond topology while unifying the capture of spatio-temporal heterogeneity into a single dimension. Extensive experiments on four real-world datasets validate the effectiveness of MetaDG.
• Abstract（参考訳）: 交通流予測は典型的な時空間予測問題であり,幅広い応用がある。 主な課題は、基礎となる複雑な時空間的依存関係をモデル化することである。 様々な手法が提案され、最近の研究では、力学のモデリングが中心的な課題を満たすのに有用であることが示されている。 空間的依存関係と時間的依存関係を分離したベースモデル構造を用いて扱うと、時空間相関のモデリングが妨げられる可能性があるが、ダイナミクスのモデリングはこのギャップを埋めることができる。 時空間の不均一性を組み込むことも、パラメータ空間を拡張し、柔軟性を高めることができるため、主要な目標を前進させる。 これらの進歩にもかかわらず、2つの制限が続く。 1) 力学のモデリングは、しばしば空間トポロジー(例えば、隣接行列の変化)の力学に限られるが、より広い範囲に拡張できる。 2) 不均一性のモデリングはしばしば空間次元と時間次元で分離されるが,このギャップは力学のモデリングによっても橋渡しできる。 上記の制約に対処するため,メタダイナミックグラフ(MetaDG)と呼ばれる,トラフィック予測のための新しいフレームワークを提案する。 MetaDGはノード表現の動的グラフ構造を利用して、時空間力学を明示的にモデル化する。 これにより動的隣接行列とメタパラメータの両方が生成され、トポロジーを超えて動的モデリングが拡張され、時空間の不均一性の捕捉は単一の次元に統一される。 4つの実世界のデータセットに対する大規模な実験は、MetaDGの有効性を検証する。

関連論文リスト

• Learning Multi-Modal Mobility Dynamics for Generalized Next Location Recommendation [51.00494428978262]
  位置推薦タスクの移動力学を特徴付けるために,マルチモーダルな時空間知識を利用する。 まず、マルチモーダル表現のための統合時空間関係グラフ(STRG)を構築する。 第二に、異なるモーダルの空間時間グラフ表現を融合するゲーティング機構を設計する。
  論文  参考訳（メタデータ） (2025-12-27T14:23:04Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Neural Persistence Dynamics [8.197801260302642]
  時間発展する点雲のトポロジにおける力学を学習する問題を考察する。 提案したモデル - $textitNeural Persistence Dynamics$ - は、パラメータ回帰タスクの多種多様なセットで最先端のパフォーマンスを大幅に上回る。
  論文  参考訳（メタデータ） (2024-05-24T17:20:18Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Data-driven low-dimensional dynamic model of Kolmogorov flow [0.0]
  流れのダイナミクスを捉える低次モデル (ROM) はシミュレーションの計算コストの削減に重要である。 この研究は、フローのダイナミクスと特性を効果的にキャプチャする最小次元モデルのためのデータ駆動フレームワークを示す。 我々はこれをカオス的かつ断続的な行動からなる体制におけるコルモゴロフ流に適用する。
  論文  参考訳（メタデータ） (2022-10-29T23:05:39Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition [79.33539539956186]
  本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。 これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-31T11:28:25Z)

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。