Fugu-MT 論文翻訳(概要): Incident-Guided Spatiotemporal Traffic Forecasting

論文の概要: Incident-Guided Spatiotemporal Traffic Forecasting

arxiv url: http://arxiv.org/abs/2602.02528v1
Date: Tue, 27 Jan 2026 15:14:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-04 18:37:14.904521
Title: Incident-Guided Spatiotemporal Traffic Forecasting
Title（参考訳）: インシデント誘導時空間交通予測
Authors: Lixiang Fan, Bohao Li, Tao Zou, Bowen Du, Junchen Ye,
Abstract要約: インシデントガイド付き時空間グラフニューラルネットワーク(I GSTGNN) 本稿では,インシデントガイド型Stemporal Graph Neural Network (I GSTGNN) という新しいフレームワークを提案する。
参考スコア（独自算出の注目度）: 10.651621507740503
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent years have witnessed the rapid development of deep-learning-based, graph-neural-network-based forecasting methods for modern intelligent transportation systems. However, most existing work focuses exclusively on capturing spatio-temporal dependencies from historical traffic data, while overlooking the fact that suddenly occurring transportation incidents, such as traffic accidents and adverse weather, serve as external disturbances that can substantially alter temporal patterns. We argue that this issue has become a major obstacle to modeling the dynamics of traffic systems and improving prediction accuracy, but the unpredictability of incidents makes it difficult to observe patterns from historical sequences. To address these challenges, this paper proposes a novel framework named the Incident-Guided Spatiotemporal Graph Neural Network (IGSTGNN). IGSTGNN explicitly models the incident's impact through two core components: an Incident-Context Spatial Fusion (ICSF) module to capture the initial heterogeneous spatial influence, and a Temporal Incident Impact Decay (TIID) module to model the subsequent dynamic dissipation. To facilitate research on the spatio-temporal impact of incidents on traffic flow, a large-scale dataset is constructed and released, featuring incident records that are time-aligned with traffic time series. On this new benchmark, the proposed IGSTGNN framework is demonstrated to achieve state-of-the-art performance. Furthermore, the generalizability of the ICSF and TIID modules is validated by integrating them into various existing models.
Abstract（参考訳）: 近年,現代のインテリジェント交通システムにおいて,ディープラーニングに基づくグラフニューラルネットワークに基づく予測手法の急速な開発が注目されている。しかし、既存の研究の多くは、交通事故や悪天候などの突然発生した交通事故が、時間的パターンを著しく変化させる外乱として機能するという事実を見越しながら、歴史的交通データから時空間依存を捉えることに集中している。本稿では,交通システムの力学をモデル化し,予測精度を向上させる上で,この問題が大きな障害となっていることを論じる。これらの課題に対処するために,インシデントガイド付き時空間グラフニューラルネットワーク(IGSTGNN)という新しいフレームワークを提案する。 IGSTGNNはインシデント・コンテクスト・スペース・フュージョン(ICSF)モジュールとインシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント・インシデント交通流に対するインシデントの時空間的影響の調査を容易にするため,大規模データセットを構築して公開し,トラフィック時系列にタイムアライメントしたインシデント記録を特徴とする。このベンチマークでは,提案したIGSTGNNフレームワークが最先端の性能を実現するために実証されている。さらに、ICSFおよびTIIDモジュールの一般化性は、様々な既存モデルに統合することによって検証される。

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)
Event-CausNet: Unlocking Causal Knowledge from Text with Large Language Models for Reliable Spatio-Temporal Forecasting [14.895432181247044]
本研究では,非構造化イベントレポートの定量化にLarge Language Modelを使用するフレームワークであるEvent-CausNetを提案する。実世界のデータセットの実験では、Event-CausNetは堅牢なパフォーマンスを実現し、予測エラー(MAE)を最大35.87%削減している。
論文参考訳（メタデータ） (2025-11-16T20:45:23Z)
FUSE-Traffic: Fusion of Unstructured and Structured Data for Event-aware Traffic Forecasting [14.157362071187897]
都市化が進むにつれ、交通渋滞が増大し、信頼性と応答性のある予測モデルの必要性が強調された。ディープラーニング、特にグラフニューラルネットワーク(GNN)は、トラフィック予測の主流パラダイムとして現れています。これらのアプローチには、洗練されたグラフ畳み込み構造と時間的モデリング機構が組み込まれている。
論文参考訳（メタデータ） (2025-10-16T19:33:43Z)
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)
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)
SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文参考訳（メタデータ） (2024-05-29T08:00:15Z)
Spatio-Temporal Graph Neural Point Process for Traffic Congestion Event Prediction [16.530361912832763]
本稿では,交通渋滞イベント予測のための時間グラフニューラルポイントプロセスフレームワークSTNPPを提案する。提案手法は,既存の最先端手法と比較して優れた性能を実現する。
論文参考訳（メタデータ） (2023-11-15T01:22:47Z)
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)
Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel Attention-Based Spatio-Temporal Graph Convolutional Networks [4.318655493189584]
建設工事の影響下での交通速度予測モデルを提案する。このモデルは、強力なアテンションベースの時間グラフ畳み込みアーキテクチャに基づいているが、様々なチャネルを利用して異なる情報ソースを統合する。このモデルは、2つのベンチマークデータセットと、北バージニアの散らかった道路の角で収集した新しいデータセットで評価されている。
論文参考訳（メタデータ） (2021-10-04T16:07:37Z)
Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。