論文の概要: WED-Net: A Weather-Effect Disentanglement Network with Causal Augmentation for Urban Flow Prediction

• arxiv url: http://arxiv.org/abs/2601.22586v1
• Date: Fri, 30 Jan 2026 05:32:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.248405
• Title: WED-Net: A Weather-Effect Disentanglement Network with Causal Augmentation for Urban Flow Prediction
• Title（参考訳）: WED-Net: 都市流予測のための因果拡大型気象影響遠絡ネットワーク
• Authors: Qian Hong, Siyuan Chang, Xiao Zhou,
• Abstract要約: 極端な条件下での都市流れの時間予測は、事象のダイナミクスと希少性のために困難である。 WED-Net(Weather-entanglement Network)は,固有気象と交通パターンを分離した2分岐トランスフォーマアーキテクチャである。 We show WED-Net delivers robust performance under extreme weather conditions。
• 参考スコア（独自算出の注目度）: 6.501741558388336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban spatio-temporal prediction under extreme conditions (e.g., heavy rain) is challenging due to event rarity and dynamics. Existing data-driven approaches that incorporate weather as auxiliary input often rely on coarse-grained descriptors and lack dedicated mechanisms to capture fine-grained spatio-temporal effects. Although recent methods adopt causal techniques to improve out-of-distribution generalization, they typically overlook temporal dynamics or depend on fixed confounder stratification. To address these limitations, we propose WED-Net (Weather-Effect Disentanglement Network), a dual-branch Transformer architecture that separates intrinsic and weather-induced traffic patterns via self- and cross-attention, enhanced with memory banks and fused through adaptive gating. To further promote disentanglement, we introduce a discriminator that explicitly distinguishes weather conditions. Additionally, we design a causal data augmentation strategy that perturbs non-causal parts while preserving causal structures, enabling improved generalization under rare scenarios. Experiments on taxi-flow datasets from three cities demonstrate that WED-Net delivers robust performance under extreme weather conditions, highlighting its potential to support safer mobility, highlighting its potential to support safer mobility, disaster preparedness, and urban resilience in real-world settings. The code is publicly available at https://github.com/HQ-LV/WED-Net.
• Abstract（参考訳）: 極端な状況(例:豪雨)下での都市時空間予測は、事象の希少性やダイナミクスのために困難である。 気象を補助的な入力として取り入れた既存のデータ駆動のアプローチは、しばしば粗い粒度の記述子に依存し、微細な時空間効果を捉えるための専用のメカニズムが欠如している。 近年の手法では、分布外一般化を改善するために因果的手法が採用されているが、通常は時間的ダイナミクスを見落としているか、固定された共同設立層に依存している。 これらの制約に対処するため,本アーキテクチャでは,固有および気象にともなう交通パターンを自己注意とクロスアテンションによって分離し,メモリバンクで拡張し,適応ゲーティングにより融合する2分岐トランスフォーマアーキテクチャであるWED-Netを提案する。 さらに, 気象条件を明確に区別する識別器を導入する。 さらに, 因果構造を保ちながら非因果部を摂動する因果データ拡張戦略を設計し, 稀なシナリオ下での一般化を可能とした。 3つの都市のタクシーフローデータセットの実験では、WED-Netは極端な気象条件下で堅牢なパフォーマンスを提供し、より安全な移動性をサポートする可能性を強調し、より安全な移動性、災害に備える可能性、現実の環境での都市レジリエンスをサポートする可能性を強調している。 コードはhttps://github.com/HQ-LV/WED-Netで公開されている。

関連論文リスト

• Towards Resilient Transportation: A Conditional Transformer for Accident-Informed Traffic Forecasting [16.242959582777797]
  正確な予測は、交通事故や規制などの外部要因の複雑な影響によって妨げられる。 グラフの伝播をガイド付き正規化層に統合するフレームワークであるConFormerを提案する。 我々のモデルは予測性能と効率の両方において最先端のSTAEFormerを上回っている。
  論文  参考訳（メタデータ） (2025-12-10T07:50:20Z)
• ClimaOoD: Improving Anomaly Segmentation via Physically Realistic Synthetic Data [16.145130650604344]
  我々は,意味的コヒーレント,気象多様性,物理的に妥当なOoD駆動データを合成するためのセマンティックス誘導イメージ・ツー・イメージ・フレームワークを提案する。 この枠組みに基づいて,晴天条件と悪天候条件の両方で6つの代表的な運転シナリオにまたがる大規模ベンチマークであるClimaOoDを構築した。
  論文  参考訳（メタデータ） (2025-12-02T12:14:19Z)
• Handling Weather Uncertainty in Air Traffic Prediction through an Inverse Approach [0.0]
  逆気象条件、特に対流現象は航空交通管理に重大な課題をもたらす。 本研究では,3次元ガウス混合モデルを用いて,長距離飛行軌道変化の予測を行う。 このモデルは、最大60分間のリルート予測において、堅牢なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-04-07T15:42:09Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• WTTFNet: A Weather-Time-Trajectory Fusion Network for Pedestrian Trajectory Prediction in Urban Complex [0.44531072184246007]
  ベースラインディープニューラルネットワークアーキテクチャの性能向上を目的として,新しい気象時トラジェクトリ融合ネットワーク(WTTFNet)を提案する。 歩行者施設工学、公共空間開発、技術主導の小売など、多くの用途で利用することができる。
  論文  参考訳（メタデータ） (2024-05-29T09:56:54Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
  台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。 Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。 公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-28T03:11:33Z)
• STAEformer: Spatio-Temporal Adaptive Embedding Makes Vanilla Transformer SOTA for Traffic Forecasting [10.875804648633832]
  適応埋め込み(Adaptive Embedding)と呼ばれる,優れた利得を得られるコンポーネントを提案する。 実験により,本質的な時間的関係と情報トラフィック時系列を捉えることにより,適応的な埋め込みが交通予測において重要な役割を担っていることが示された。
  論文  参考訳（メタデータ） (2023-08-21T02:27:13Z)

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。