論文の概要: PAtt: A Pattern Attention Network for ETA Prediction Using Historical Speed Profiles

• arxiv url: http://arxiv.org/abs/2601.13793v1
• Date: Tue, 20 Jan 2026 09:51:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.253109
• Title: PAtt: A Pattern Attention Network for ETA Prediction Using Historical Speed Profiles
• Title（参考訳）: PAtt: 履歴速度プロファイルを用いたETA予測のためのパターン注意ネットワーク
• Authors: ByeoungDo Kim, JunYeop Na, Kyungwook Tak, JunTae Kim, DongHyeon Kim, Duckky Kim,
• Abstract要約: 本稿では,過去の速度パターンよりも注意機構を生かしたETAモデルを提案する。 このアーキテクチャは、モデルを軽量かつスケーラブルにしながら、効率的かつ正確なETA推定を可能にする。
• 参考スコア（独自算出の注目度）: 6.938295340158297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose an ETA model (Estimated Time of Arrival) that leverages an attention mechanism over historical road speed patterns. As autonomous driving and intelligent transportation systems become increasingly prevalent, the need for accurate and reliable ETA estimation has grown, playing a vital role in navigation, mobility planning, and traffic management. However, predicting ETA remains a challenging task due to the dynamic and complex nature of traffic flow. Traditional methods often combine real-time and historical traffic data in simplistic ways, or rely on complex rule-based computations. While recent deep learning models have shown potential, they often require high computational costs and do not effectively capture the spatio-temporal patterns crucial for ETA prediction. ETA prediction inherently involves spatio-temporal causality, and our proposed model addresses this by leveraging attention mechanisms to extract and utilize temporal features accumulated at each spatio-temporal point along a route. This architecture enables efficient and accurate ETA estimation while keeping the model lightweight and scalable. We validate our approach using real-world driving datasets and demonstrate that our approach outperforms existing baselines by effectively integrating road characteristics, real-time traffic conditions, and historical speed patterns in a task-aware manner.
• Abstract（参考訳）: 本稿では,過去の道路速度パターンに対する注意機構を生かした ETA モデル (Estimated Time of Arrival) を提案する。 自律運転やインテリジェント交通システムが普及するにつれて、正確で信頼性の高いETA推定の必要性が高まり、ナビゲーション、移動計画、交通管理において重要な役割を担っている。 しかし,交通流の動的かつ複雑な性質のため,ETAの予測は依然として困難な課題である。 従来の手法は、多くの場合、単純な方法でリアルタイムと過去のトラフィックデータを組み合わせるか、複雑なルールベースの計算に依存する。 最近のディープラーニングモデルは潜在的な可能性を示しているが、しばしば高い計算コストを必要とし、ETA予測に不可欠な時空間パターンを効果的に捉えない。 ETA予測は本質的に時空間因果関係に関係しており,本モデルでは,経路に沿った時空間に蓄積した時間的特徴を抽出・活用するために注意機構を活用することでこの問題に対処する。 このアーキテクチャは、モデルを軽量かつスケーラブルにしながら、効率的かつ正確なETA推定を可能にする。 実世界の運転データセットを用いてアプローチを検証するとともに,道路特性,リアルタイム交通条件,過去の速度パターンをタスク意識で効果的に統合することにより,既存のベースラインよりも優れていることを示す。

関連論文リスト

• Traffic-Aware Pedestrian Intention Prediction [2.5240171181791276]
  本稿では,交通標識とその状態と歩行者の意図を予測する交通対応時空間グラフ畳み込みネットワーク(TA-STGCN)を提案する。 提案手法では,複雑な都市環境における空間的・時間的依存関係を抽出し,動的交通信号状態と境界ボックスサイズを重要な特徴とする手法を提案する。
  論文  参考訳（メタデータ） (2025-07-16T17:20:36Z)
• Spatiotemporal Forecasting of Traffic Flow using Wavelet-based Temporal Attention [3.049645421090079]
  本稿では,ウェーブレットに基づく動的グラフニューラルネットワーク(DS-DSNN)を交通予測問題に対処するための時間的アテンションモデルを提案する。 提案手法は動的時間的および空間的ベンチマークをよりよく処理し,信頼性の高い長期予測を行う。
  論文  参考訳（メタデータ） (2024-07-05T11:42:39Z)
• HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
  HPNetは、新しい動的軌道予測手法である。 逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。 私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
  論文  参考訳（メタデータ） (2024-04-09T14:42:31Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• A Fast and Map-Free Model for Trajectory Prediction in Traffics [2.435517936694533]
  本稿では,交通地図に依存しない効率的な軌道予測モデルを提案する。 注意機構、LSTM、グラフ畳み込みネットワーク、時間変換器を包括的に活用することにより、我々のモデルは全てのエージェントのリッチな動的および相互作用情報を学習することができる。 提案モデルでは,既存のマップフリー手法と比較して高い性能を達成し,Argoverseデータセット上のほとんどのマップベース最先端手法を超越する。
  論文  参考訳（メタデータ） (2023-07-19T08:36:31Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• DuETA: Traffic Congestion Propagation Pattern Modeling via Efficient Graph Learning for ETA Prediction at Baidu Maps [33.16286526517814]
  本報告では,DuETA という産業グレードの ETA 予測フレームワークを提案する。 具体的には,交通パターンの相関関係に基づいて,渋滞に敏感なグラフを構築する。 道路セグメントの長距離相関を直接学習する経路対応グラフ変換器を開発した。
  論文  参考訳（メタデータ） (2022-08-15T02:46:33Z)
• Exploring Map-based Features for Efficient Attention-based Vehicle Motion Prediction [3.222802562733787]
  複数のエージェントの動作予測は、任意に複雑な環境において重要なタスクである。 本稿では,効率的な注意モデルを用いてArgoverse 1.0ベンチマークで競合性能を実現する方法を示す。
  論文  参考訳（メタデータ） (2022-05-25T22:38:11Z)
• FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
  フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。 異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。 実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
  論文  参考訳（メタデータ） (2020-06-07T08:10:47Z)

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。