論文の概要: GraFSTNet: Graph-based Frequency SpatioTemporal Network for Cellular Traffic Prediction
- arxiv url: http://arxiv.org/abs/2602.13282v2
- Date: Thu, 19 Feb 2026 05:25:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-23 12:01:13.611771
- Title: GraFSTNet: Graph-based Frequency SpatioTemporal Network for Cellular Traffic Prediction
- Title（参考訳）: GraFSTNet: セルトラフィック予測のためのグラフベースの周波数時空間ネットワーク
- Authors: Ziyi Li, Hui Ma, Fei Xing, Chunjiong Zhang, Ming Yan,
- Abstract要約: 時空間モデリングと時間周波数解析を統合したセルトラフィック予測フレームワークを提案する。
本稿では,交通量に基づいて誤差ペナルティを調整する適応スケールのロゴシュ損失関数を提案する。
3つのオープンソースデータセットの実験により,提案手法は最先端の手法よりも予測性能が優れていることを示した。
- 参考スコア（独自算出の注目度）: 9.622104744379675
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With rapid expansion of cellular networks and the proliferation of mobile devices, cellular traffic data exhibits complex temporal dynamics and spatial correlations, posing challenges to accurate traffic prediction. Previous methods often focus predominantly on temporal modeling or depend on predefined spatial topologies, which limits their ability to jointly model spatio-temporal dependencies and effectively capture periodic patterns in cellular traffic. To address these issues, we propose a cellular traffic prediction framework that integrates spatio-temporal modeling with time-frequency analysis. First, we construct a spatial modeling branch to capture inter-cell dependencies through an attention mechanism, minimizing the reliance on predefined topological structures. Second, we build a time-frequency modeling branch to enhance the representation of periodic patterns. Furthermore, we introduce an adaptive-scale LogCosh loss function, which adjusts the error penalty based on traffic magnitude, preventing large errors from dominating the training process and helping the model maintain relatively stable prediction accuracy across different traffic intensities. Experiments on three open-sourced datasets demonstrate that the proposed method achieves prediction performance superior to state-of-the-art approaches.
- Abstract（参考訳）: セルラーネットワークの急速な拡大とモバイルデバイスの普及により、セルラートラフィックデータは複雑な時間的ダイナミクスと空間的相関を示し、正確なトラフィック予測に挑戦する。
従来の手法では、主に時間的モデリングに焦点をあてたり、事前に定義された空間的トポロジーに依存したりすることが多かった。
これらの問題に対処するために,時空間モデリングと時間周波数解析を統合したセルトラフィック予測フレームワークを提案する。
まず、注意機構を通じてセル間の依存関係を捕捉し、予め定義されたトポロジ構造への依存を最小限に抑える空間モデリングブランチを構築する。
第2に、周期パターンの表現を強化するための時間周波数モデリングブランチを構築する。
さらに,適応スケールのLogCosh損失関数を導入し,交通量に応じてエラーペナルティを調整し,大規模なエラーがトレーニングプロセスを支配するのを防止し,異なる交通量に対して比較的安定した予測精度を維持する。
3つのオープンソースデータセットの実験により,提案手法は最先端の手法よりも予測性能が優れていることを示した。
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) - 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) - Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework [2.9490249935740573]
FMPESTF(Fusion Matrix Prompt-Enhanced Self-Attention Space-Temporal Interactive Traffic Forecasting Framework)を提案する。
FMPESTFは、ダウンサンプリングトラフィックデータのための空間的および時間的モジュールで構成されている。
時間モデリングにおける注意機構を導入し,様々な交通シナリオに適応するための階層型時空間対話型学習を設計する。
論文 参考訳（メタデータ） (2024-10-12T03:47:27Z) - Spatiotemporal Forecasting of Traffic Flow using Wavelet-based Temporal Attention [3.049645421090079]
本稿では,ウェーブレットに基づく動的グラフニューラルネットワーク(DS-DSNN)を交通予測問題に対処するための時間的アテンションモデルを提案する。
提案手法は動的時間的および空間的ベンチマークをよりよく処理し,信頼性の高い長期予測を行う。
論文 参考訳（メタデータ） (2024-07-05T11:42:39Z) - 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) - Adaptive Hybrid Spatial-Temporal Graph Neural Network for Cellular
Traffic Prediction [19.88734776818291]
本稿では,携帯電話のトラフィック予測問題に対処するための新しいディープラーニングネットワークアーキテクチャを提案する。
まず、適応型ハイブリッドグラフ学習を用いて、セルタワー間の複合空間相関を学習する。
第2に、非線形時間依存を捉えるために、多周期時間データ入力を備えた時間的畳み込みモジュールを実装した。
論文 参考訳（メタデータ） (2023-02-28T06:46:50Z) - 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) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳（メタデータ） (2022-02-17T02:17:31Z) - 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) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - 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。