論文の概要: PIMCST: Physics-Informed Multi-Phase Consensus and Spatio-Temporal Few-Shot Learning for Traffic Flow Forecasting
- arxiv url: http://arxiv.org/abs/2602.01936v1
- Date: Mon, 02 Feb 2026 10:40:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:34.085984
- Title: PIMCST: Physics-Informed Multi-Phase Consensus and Spatio-Temporal Few-Shot Learning for Traffic Flow Forecasting
- Title（参考訳）: PIMCST:物理インフォームド・マルチパス・コンセンサスと時空間Few-Shot Learningによる交通流予測
- Authors: Abdul Joseph Fofanah, Lian Wen, David Chen,
- Abstract要約: 本稿では,交通予測を多相コンセンサス学習問題として再検討した,数ショットの交通予測のためのマルチフェーズ・コンセンサスS-テンポラル・フレームワークを提案する。
枠組みは,(1)拡散・同期・スペクトル埋め込みによる交通動態をモデル化し,包括的動的特徴付けを行う多相エンジン,(2)強制しながら位相固有予測を動的に融合する適応型コンセンサス機構,(3)最小限のデータで新しい都市に迅速に適応するための構造化メタラーニング戦略である。
- 参考スコア（独自算出の注目度）: 4.516559054098262
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate traffic flow prediction remains a fundamental challenge in intelligent transportation systems, particularly in cross-domain, data-scarce scenarios where limited historical data hinders model training and generalisation. The complex spatio-temporal dependencies and nonlinear dynamics of urban mobility networks further complicate few-shot learning across different cities. This paper proposes MCPST, a novel Multi-phase Consensus Spatio-Temporal framework for few-shot traffic forecasting that reconceptualises traffic prediction as a multi-phase consensus learning problem. Our framework introduces three core innovations: (1) a multi-phase engine that models traffic dynamics through diffusion, synchronisation, and spectral embeddings for comprehensive dynamic characterisation; (2) an adaptive consensus mechanism that dynamically fuses phase-specific predictions while enforcing consistency; and (3) a structured meta-learning strategy for rapid adaptation to new cities with minimal data. We establish extensive theoretical guarantees, including representation theorems with bounded approximation errors and generalisation bounds for few-shot adaptation. Through experiments on four real-world datasets, MCPST outperforms fourteen state-of-the-art methods in spatio-temporal graph learning methods, dynamic graph transfer learning methods, prompt-based spatio-temporal prediction methods and cross-domain few-shot settings, improving prediction accuracy while reducing required training data and providing interpretable insights. The implementation code is available at https://github.com/afofanah/MCPST.
- Abstract（参考訳）: 正確なトラフィックフロー予測は、インテリジェントトランスポートシステム、特に、歴史的データが限られた場合、モデルのトレーニングや一般化を妨げるクロスドメイン、データスカースシナリオにおいて、依然として根本的な課題である。
都市移動ネットワークの複雑な時空間依存性と非線形ダイナミクスは、異なる都市をまたいだ数ショット学習をさらに複雑にする。
本稿では,交通予測をマルチフェーズのコンセンサス学習問題として再認識する,数ショットの交通予測のための新しいマルチフェーズ・コンセンサス・スパッション・テンポラル・フレームワークであるMPPSTを提案する。
本フレームワークでは,(1)拡散,同期,スペクトル埋め込みによるダイナミックな動態をモデル化し,包括的動的特徴付けを行うマルチフェーズエンジン,(2)一貫性を保ちながら位相固有予測を動的に融合する適応型コンセンサス機構,(3)最小限のデータで新しい都市に迅速に適応するための構造化メタラーニング戦略を紹介する。
我々は、有界近似誤差を持つ表現定理や、少数ショット適応のための一般化境界を含む広範な理論的保証を確立する。
実世界の4つのデータセットの実験を通じて、MPPSTは、時空間グラフ学習法、動的グラフ転送学習法、プロンプトベースの時空間予測法、ドメイン間数ショット設定において14の最先端の手法を上回り、必要なトレーニングデータを削減するとともに予測精度を向上し、解釈可能な洞察を提供する。
実装コードはhttps://github.com/afofanah/MCPSTで公開されている。
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) - A Joint Topology-Data Fusion Graph Network for Robust Traffic Speed Prediction with Data Anomalism [12.43932698231744]
本稿では,ネットワークレベルのトラフィック速度予測のための革新的なフレームワークであるGraph Fusion Enhanced Network (GFEN)を提案する。
GFENは、トレーニング可能な手法を用いて、データ分布とネットワークトポロジの両方から空間時間相関を抽出する。
実験により、GFENは最先端の手法を約6.3%超え、予測精度と収束速度は最近のハイブリッドモデルの約2倍速くなることが示された。
論文 参考訳（メタデータ） (2025-06-30T06:33:47Z) - World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。
mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。
特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
論文 参考訳（メタデータ） (2025-05-03T06:23:18Z) - SFADNet: Spatio-temporal Fused Graph based on Attention Decoupling Network for Traffic Prediction [4.868638426254428]
本稿では,空間的特徴量に基づいてトラフィックフローを複数のトラフィックパターンに分類する,革新的なトラフィックフロー予測ネットワークであるSFADNetを提案する。
各パターンに対して、残差グラフ畳み込みモジュールと時系列モジュールを用いて、相互アテンション機構に基づく独立適応時間融合グラフを構築する。
大規模な実験結果によると、SFADNetは大規模な4スケールのデータセットで現在の最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-01-07T09:09:50Z) - Context-Conditioned Spatio-Temporal Predictive Learning for Reliable V2V Channel Prediction [25.688521281119037]
下流タスクの最適化には,V2Vチャネル状態情報(CSI)予測が不可欠である。
従来の予測手法は、時間、帯域幅、アンテナ(TX、RX)空間の予測を含む4次元(4D)CSIに重点を置いている。
本研究では,4次元CSIデータ内の依存関係をキャプチャするコンテキスト条件付き時間予測学習手法を提案する。
論文 参考訳（メタデータ） (2024-09-16T04:15:36Z) - 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) - 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) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z) - An Effective Dynamic Spatio-temporal Framework with Multi-Source
Information for Traffic Prediction [0.22940141855172028]
提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度を約3～7%向上する。
実験の結果,提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度が約3～7%向上した。
論文 参考訳（メタデータ） (2020-05-08T14:23:52Z)
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。