論文の概要: T-STAR: A Context-Aware Transformer Framework for Short-Term Probabilistic Demand Forecasting in Dock-Based Shared Micro-Mobility

• arxiv url: http://arxiv.org/abs/2602.06866v1
• Date: Fri, 06 Feb 2026 16:53:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.495283
• Title: T-STAR: A Context-Aware Transformer Framework for Short-Term Probabilistic Demand Forecasting in Dock-Based Shared Micro-Mobility
• Title（参考訳）: T-STAR: ドックベース共有マイクロモビリティにおける短期確率的需要予測のためのコンテキスト対応トランスフォーマフレームワーク
• Authors: Jingyi Cheng, Gonçalo Homem de Almeida Correia, Oded Cats, Shadi Sharif Azadeh,
• Abstract要約: 本研究では,変圧器をベースとした新しい確率的フレームワークであるT-STARを導入する。 ワシントンD.C.のCapital Bikeshareデータを用いた大規模な実験は、T-STARが決定論的および確率的精度の両方で既存の手法より優れていることを示した。 これらの結果は、詳細な、信頼性があり、不確実性に留意された短期的な需要予測を提供するフレームワークの可能性を強調している。
• 参考スコア（独自算出の注目度）: 2.15242029196761
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reliable short-term demand forecasting is essential for managing shared micro-mobility services and ensuring responsive, user-centered operations. This study introduces T-STAR (Two-stage Spatial and Temporal Adaptive contextual Representation), a novel transformer-based probabilistic framework designed to forecast station-level bike-sharing demand at a 15-minute resolution. T-STAR addresses key challenges in high-resolution forecasting by disentangling consistent demand patterns from short-term fluctuations through a hierarchical two-stage structure. The first stage captures coarse-grained hourly demand patterns, while the second stage improves prediction accuracy by incorporating high-frequency, localized inputs, including recent fluctuations and real-time demand variations in connected metro services, to account for temporal shifts in short-term demand. Time series transformer models are employed in both stages to generate probabilistic predictions. Extensive experiments using Washington D.C.'s Capital Bikeshare data demonstrate that T-STAR outperforms existing methods in both deterministic and probabilistic accuracy. The model exhibits strong spatial and temporal robustness across stations and time periods. A zero-shot forecasting experiment further highlights T-STAR's ability to transfer to previously unseen service areas without retraining. These results underscore the framework's potential to deliver granular, reliable, and uncertainty-aware short-term demand forecasts, which enable seamless integration to support multimodal trip planning for travelers and enhance real-time operations in shared micro-mobility services.
• Abstract（参考訳）: 信頼性の高い短期需要予測は、共有マイクロモビリティサービスの管理と、応答性のあるユーザ中心のオペレーションの確保に不可欠である。 本研究では,T-STAR (Two-stage Spatial and Temporal Adaptive contextual Representation)を導入した。 T-STARは、階層的な2段階構造を通して短期的な変動から一貫した需要パターンを遠ざけることによって、高解像度予測における重要な課題に対処する。 第1段階は、粗粒度の時間需要パターンを捉え、第2段階は、短期需要の時間的変化を考慮に入れ、近年の変動やリアルタイムの需要変動を含む高周波で局所的な入力を接続メトロサービスに組み込むことで予測精度を向上させる。 時系列トランスモデルは、確率論的予測を生成するために両方の段階で使用される。 ワシントンD.C.のCapital Bikeshareデータを用いた大規模な実験は、T-STARが決定論的および確率的精度の両方で既存の手法より優れていることを示した。 このモデルは、駅や時間帯に強い空間的・時間的ロバスト性を示す。 ゼロショット予測実験は、T-STARが未確認のサービスエリアに再トレーニングせずに移行できることをさらに強調している。 これらの結果は、旅行者のためのマルチモーダル旅行計画へのシームレスな統合と、共有マイクロモビリティサービスにおけるリアルタイム運用の強化を可能にする、粒度、信頼性、不確実性を考慮した短期需要予測を実現するためのフレームワークの可能性を強調している。

関連論文リスト

• Time Series Forecasting via Direct Per-Step Probability Distribution Modeling [30.189067458868326]
  インターリーブ二重分岐確率分布ネットワーク(InterPDN)という新しいモデルを提案する。 これはスカラーではなく、ステップごとに離散確率分布を直接構成する。 複数の実世界のデータセットの実験は、InterPDNの優れた性能を示している。
  論文  参考訳（メタデータ） (2025-11-28T15:13:41Z)
• ForecastGAN: A Decomposition-Based Adversarial Framework for Multi-Horizon Time Series Forecasting [0.5213778368155993]
  時系列予測は、ファイナンスからサプライチェーン管理までの領域で必須である。 本稿では,マルチホライズン予測のための新しい解析手法であるForecastGANを紹介する。 ForecastGANは、短期予測のための最先端のトランスフォーマーモデルより一貫して優れており、長期水平線では競争力を維持している。
  論文  参考訳（メタデータ） (2025-11-06T15:19:23Z)
• Temporal convolutional and fusional transformer model with Bi-LSTM encoder-decoder for multi-time-window remaining useful life prediction [0.0]
  本稿では,時間的特徴抽出のための時間的畳み込みネットワーク(TCN)を統合した新しいフレームワークを提案する。 このアーキテクチャは、健全な時間パターンを強調しながら、短期間および長期の依存関係を効果的にブリッジする。 提案モデルでは平均RMSEを最大5.5%削減し,最先端手法と比較して予測精度を向上した。
  論文  参考訳（メタデータ） (2025-11-06T11:29:57Z)
• SEMPO: Lightweight Foundation Models for Time Series Forecasting [45.456949943052116]
  SEMPOは比較的小規模なデータに対する事前トレーニングを必要とする軽量な基礎モデルであるが、強い時系列予測を示す。 SEMPOは、1)エネルギーを意識したSpEctral分解モジュールと、事前学習データの利用を大幅に改善する2つの重要なモジュールから構成される。 16のデータセットをカバーする2つの大規模ベンチマークの実験は、ゼロショットと少数ショットの予測シナリオの両方でSEMPOの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-22T15:58:44Z)
• Sundial: A Family of Highly Capable Time Series Foundation Models [47.27032162475962]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• MUSE-VAE: Multi-Scale VAE for Environment-Aware Long Term Trajectory Prediction [28.438787700968703]
  条件付きMUSEは、現在の最先端技術と比較して、多様かつ同時に正確な予測を提供する。 我々は、新しい合成データセットであるPFSDと同様に、nuScenesとSDDベンチマークに関する包括的な実験を通してこれらのアサーションを実証する。
  論文  参考訳（メタデータ） (2022-01-18T18:40:03Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。