論文の概要: CAST-CKT: Chaos-Aware Spatio-Temporal and Cross-City Knowledge Transfer for Traffic Flow Prediction

• arxiv url: http://arxiv.org/abs/2602.05133v1
• Date: Wed, 04 Feb 2026 23:34:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.668351
• Title: CAST-CKT: Chaos-Aware Spatio-Temporal and Cross-City Knowledge Transfer for Traffic Flow Prediction
• Title（参考訳）: CAST-CKT:交通流予測のためのカオス対応時空間・都市間知識伝達
• Authors: Abdul Joseph Fofanah, Lian Wen, David Chen, Alpha Alimamy Kamara, Zhongyi Zhang,
• Abstract要約: CAST-CKT(Chaos-Aware Spatio-Temporal and Cross-City Knowledge Transfer framework)を提案する。 交通予測可能性の仕組みを定量化するために、効率的なカオス分析装置を使用し、いくつかの重要なイノベーションを推進している。 実験では、MAEとRMSEにおいて、最先端の手法よりもかなりのマージンで優れた性能を示す。
• 参考スコア（独自算出の注目度）: 7.241754881603806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic prediction in data-scarce, cross-city settings is challenging due to complex nonlinear dynamics and domain shifts. Existing methods often fail to capture traffic's inherent chaotic nature for effective few-shot learning. We propose CAST-CKT, a novel Chaos-Aware Spatio-Temporal and Cross-City Knowledge Transfer framework. It employs an efficient chaotic analyser to quantify traffic predictability regimes, driving several key innovations: chaos-aware attention for regime-adaptive temporal modelling; adaptive topology learning for dynamic spatial dependencies; and chaotic consistency-based cross-city alignment for knowledge transfer. The framework also provides horizon-specific predictions with uncertainty quantification. Theoretical analysis shows improved generalisation bounds. Extensive experiments on four benchmarks in cross-city few-shot settings show CAST-CKT outperforms state-of-the-art methods by significant margins in MAE and RMSE, while offering interpretable regime analysis. Code is available at https://github.com/afofanah/CAST-CKT.
• Abstract（参考訳）: 複雑な非線形ダイナミクスとドメインシフトのため、データスカース、クロスシティ設定でのトラフィック予測は困難である。 既存の手法は、効果的に数発の学習を行うために、交通の本質的にカオスな性質を捉えるのに失敗することが多い。 CAST-CKT(Chaos-Aware Spatio-Temporal and Cross-City Knowledge Transfer framework)を提案する。 効率的なカオス分析装置を使用して、交通予測可能性体制の定量化を行い、システム適応型時間モデリングのためのカオス対応の注意、動的空間依存のための適応トポロジ学習、知識伝達のためのカオス一貫性に基づく都市間アライメントなど、いくつかの重要なイノベーションを推進している。 このフレームワークは、不確実な定量化を伴う地平線固有の予測も提供する。 理論解析は一般化境界を改良したことを示している。 CAST-CKTはMAEとRMSEの大きなマージンで最先端の手法より優れており、解釈可能な構造解析を提供している。 コードはhttps://github.com/afofanah/CAST-CKT.comで入手できる。

関連論文リスト

• PIMCST: Physics-Informed Multi-Phase Consensus and Spatio-Temporal Few-Shot Learning for Traffic Flow Forecasting [4.516559054098262]
  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。
  論文  参考訳（メタデータ） (2026-02-02T10:40:07Z)
• Semi-Gradient SARSA Routing with Theoretical Guarantee on Traffic Stability and Weight Convergence [7.64859175875668]
  そこで本研究では,近似的最適ルーティングポリシーを学習する半漸進的オン・ポリシーアルゴリズムを提案する。 シミュレーションにより、我々のアルゴリズムはニューラルネットワークベースの手法よりもはるかに高速に収束できることを実証する。
  論文  参考訳（メタデータ） (2025-03-19T06:27:12Z)
• 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)
• Self-Supervised State Space Model for Real-Time Traffic Accident Prediction Using eKAN Networks [18.385759762991896]
  SSL-eKambaは、交通事故予測のための効率的な自己組織化フレームワークである。 一般化を促進するために,交通パターン表現を適応的に改善する2つの自己教師付き補助タスクを設計する。 2つの実世界のデータセットの実験では、SSL-eKambaは最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2024-09-09T14:25:51Z)
• ST-Mamba: Spatial-Temporal Selective State Space Model for Traffic Flow Prediction [32.44888387725925]
  提案したST-Mambaモデルは,まず,グラフモデルを用いることなく交通流予測における時空間学習のパワーを活用する。 提案したST-Mambaモデルでは、計算速度が61.11%向上し、予測精度が0.67%向上した。 実世界のトラフィックデータセットを用いた実験は、textsfST-Mambaモデルがトラフィックフロー予測の新しいベンチマークを設定することを示した。
  論文  参考訳（メタデータ） (2024-04-20T03:57:57Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
  不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。 複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。 モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
  論文  参考訳（メタデータ） (2023-08-11T13:35:52Z)
• 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)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)

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。