論文の概要: UniST-Pred: A Robust Unified Framework for Spatio-Temporal Traffic Forecasting in Transportation Networks Under Disruptions

• arxiv url: http://arxiv.org/abs/2602.14049v1
• Date: Sun, 15 Feb 2026 08:28:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.626594
• Title: UniST-Pred: A Robust Unified Framework for Spatio-Temporal Traffic Forecasting in Transportation Networks Under Disruptions
• Title（参考訳）: UniST-Pred: ディスラプション下の交通ネットワークにおける時空間交通予測のためのロバスト統一フレームワーク
• Authors: Yue Wang, Areg Karapetyan, Djellel Difallah, Samer Madanat,
• Abstract要約: 統合時間トラフィック予測フレームワークUniST-Predを提案する。 UniST-Predは空間的表現学習から時間的モデリングを分離し、適応的表現レベル融合を通じて両者を統合する。 結果から,UniST-Predは実世界のデータセットとシミュレーションデータセットの両方で高い予測性能を維持していることがわかった。
• 参考スコア（独自算出の注目度）: 2.3384578069004114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal traffic forecasting is a core component of intelligent transportation systems, supporting various downstream tasks such as signal control and network-level traffic management. In real-world deployments, forecasting models must operate under structural and observational uncertainties, conditions that are rarely considered in model design. Recent approaches achieve strong short-term predictive performance by tightly coupling spatial and temporal modeling, often at the cost of increased complexity and limited modularity. In contrast, efficient time-series models capture long-range temporal dependencies without relying on explicit network structure. We propose UniST-Pred, a unified spatio-temporal forecasting framework that first decouples temporal modeling from spatial representation learning, then integrates both through adaptive representation-level fusion. To assess robustness of the proposed approach, we construct a dataset based on an agent-based, microscopic traffic simulator (MATSim) and evaluate UniST-Pred under severe network disconnection scenarios. Additionally, we benchmark UniST-Pred on standard traffic prediction datasets, demonstrating its competitive performance against existing well-established models despite a lightweight design. The results illustrate that UniST-Pred maintains strong predictive performance across both real-world and simulated datasets, while also yielding interpretable spatio-temporal representations under infrastructure disruptions. The source code and the generated dataset are available at https://anonymous.4open.science/r/UniST-Pred-EF27
• Abstract（参考訳）: 時空間交通予測はインテリジェント交通システムの中核部分であり、信号制御やネットワークレベルの交通管理といった下流業務をサポートする。 実世界の展開では、予測モデルは構造的および観測上の不確実性の下で運用されなければならない。 近年の手法は,空間的・時間的モデリングを密結合させることで,複雑化とモジュラリティの制限を伴い,短時間の予測性能が向上している。 対照的に、効率的な時系列モデルは、明示的なネットワーク構造に頼ることなく、長期の時間的依存関係をキャプチャする。 空間的表現学習から時間的モデリングを分離する統合時空間予測フレームワークUniST-Predを提案する。 提案手法のロバスト性を評価するため,エージェントベースマイクロトラフィックシミュレータ(MATSim)に基づくデータセットを構築し,ネットワーク切断シナリオ下でのUniST-Predの評価を行う。 さらに、標準的なトラフィック予測データセットに基づいてUniST-Predをベンチマークし、軽量な設計にもかかわらず、既存の確立されたモデルと競合する性能を示す。 この結果から,UniST-Predは実世界とシミュレーションデータセットの両方にわたって高い予測性能を維持しつつ,インフラストラクチャ破壊下での解釈可能な時空間表現を実現していることがわかった。 ソースコードと生成されたデータセットはhttps://anonymous.4open.science/r/UniST-Pred-EF27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 Retrieval Augmented Spatio-Temporal Framework for Traffic Prediction [33.28893562327803]
  RASTは、大規模データセットの効率を維持しながら、優れたパフォーマンスを実現する。 フレームワークは3つの主要な設計で構成されている: 1) 分離された時間的特徴をキャプチャし、Retrieval-Augmented Generation (RAG), 2) 事前訓練されたST-GNNまたは単純な予測子に対応するUniversal Backbone Predict Storeor, 3) 事前訓練されたST-GNNまたは単純な予測子をサポートするUniversal Backbone Predict Storeor。
  論文  参考訳（メタデータ） (2025-08-14T10:11:39Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• Spatial-Temporal Large Language Model for Traffic Prediction [21.69991612610926]
  交通予測のための時空間大言語モデル(ST-LLM)を提案する。 ST-LLMでは,各位置の時間ステップをトークンとして定義し,空間的位置とグローバルな時間的パターンを学習するための空間的時間的埋め込みを設計する。 実トラフィックデータセットの実験において、ST-LLMは最先端のモデルより優れた空間時空間学習器である。
  論文  参考訳（メタデータ） (2024-01-18T17:03:59Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
  本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。 我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。 ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
  論文  参考訳（メタデータ） (2022-08-05T09:36:55Z)
• 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。