論文の概要: Learning from Yesterday's Error: An Efficient Online Learning Method for Traffic Demand Prediction

• arxiv url: http://arxiv.org/abs/2602.21757v1
• Date: Wed, 25 Feb 2026 10:19:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.791976
• Title: Learning from Yesterday's Error: An Efficient Online Learning Method for Traffic Demand Prediction
• Title（参考訳）: 昨日の誤りから学ぶ:交通需要予測のための効果的なオンライン学習方法
• Authors: Xiannan Huang, Quan Yuan, Chao Yang,
• Abstract要約: FORESEE(Forecasting Online with Residual Smoothing and Ensemble Experts)は、正確で堅牢で効率的なオンライン適応フレームワークである。 これは、昨日の予測エラーを使用して、各地域の今日の予測を補正する。 バックボーンモデルを用いた7つの実世界のデータセットの実験では、ForESEEは予測精度を一貫して改善し、分散シフトが最小でもロバスト性を維持する。
• 参考スコア（独自算出の注目度）: 6.104967994062357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately predicting short-term traffic demand is critical for intelligent transportation systems. While deep learning models achieve strong performance under stationary conditions, their accuracy often degrades significantly when faced with distribution shifts caused by external events or evolving urban dynamics. Frequent model retraining to adapt to such changes incurs prohibitive computational costs, especially for large-scale or foundation models. To address this challenge, we propose FORESEE (Forecasting Online with Residual Smoothing and Ensemble Experts), a lightweight online adaptation framework that is accurate, robust, and computationally efficient. FORESEE operates without any parameter updates to the base model. Instead, it corrects today's forecast in each region using yesterday's prediction error, stabilized through exponential smoothing guided by a mixture-of-experts mechanism that adapts to recent error dynamics. Moreover, an adaptive spatiotemporal smoothing component propagates error signals across neighboring regions and time slots, capturing coherent shifts in demand patterns. Extensive experiments on seven real-world datasets with three backbone models demonstrate that FORESEE consistently improves prediction accuracy, maintains robustness even when distribution shifts are minimal (avoiding performance degradation), and achieves the lowest computational overhead among existing online methods. By enabling real-time adaptation of traffic forecasting models with negligible computational cost, FORESEE paves the way for deploying reliable, up-to-date prediction systems in dynamic urban environments. Code and data are available at https://github.com/xiannanhuang/FORESEE
• Abstract（参考訳）: 知的交通システムにとって、短期的な交通需要の正確な予測は重要である。 ディープラーニングモデルは定常条件下では高い性能を達成するが、その精度は外部イベントや都市力学の進化によって生じる分布シフトに直面すると著しく低下することが多い。 このような変化に対応するための頻繁なモデルの再訓練は、特に大規模または基礎的なモデルにおいて、禁止的な計算コストを発生させる。 この課題に対処するため、我々は、正確で堅牢で計算的に効率的である軽量なオンライン適応フレームワーク FORESEE (Forecasting Online with Residual Smoothing and Ensemble Experts) を提案する。 FORESEEはベースモデルへのパラメータ更新なしで動作する。 代わりに、昨日の予測エラーを使用して、各リージョンにおける今日の予測を修正します。 さらに、適応時空間平滑化成分は、隣接する地域や時間帯にまたがるエラー信号を伝搬し、需要パターンのコヒーレントシフトをキャプチャする。 3つのバックボーンモデルを持つ7つの実世界のデータセットに対する大規模な実験により、FOESEEは予測精度を一貫して改善し、分散シフトが最小でも(性能劣化を回避)頑健性を維持し、既存のオンラインメソッドで最小の計算オーバーヘッドを達成することを示した。 計算コストが無視できる交通予測モデルのリアルタイム適応を可能にすることにより、FOESEEは、動的都市環境における信頼性の高い最新の予測システムをデプロイする方法を開拓する。 コードとデータはhttps://github.com/xiannanhuang/FORESEEで公開されている。

関連論文リスト

• Online Kernel Dynamic Mode Decomposition for Streaming Time Series Forecasting with Adaptive Windowing [3.6194446038160315]
  WORK-DMD(Windowed Online Random Kernel Dynamic Mode Decomposition)を導入する。 WORK-DMDはローリングウィンドウ内でシャーマン・モリソンの更新を採用しており、現在のデータのみから進化するダイナミックスへの継続的な適応を可能にしている。 いくつかの領域にわたるベンチマークデータセットの実験は、WORK-DMDがいくつかの最先端のオンライン予測手法よりも高い精度を達成することを示している。
  論文  参考訳（メタデータ） (2025-10-17T07:57:37Z)
• An Adaptive Framework for Autoregressive Forecasting in CFD Using Hybrid Modal Decomposition and Deep Learning [3.1337872355726084]
  この研究は著者の知識を最大限に活用するために、ディープラーニング(DL)自己回帰予測モデルを長期間の地平線上で安定化させるために設計された、最初の一般化可能で完全なデータ駆動適応フレームワークを提示する。 提案手法は, (i) 訓練されたDLモデルを用いて, 選択した時間間隔で流れ場の進化を予測し, (ii) 安定度が低下した場合に新たに生成されたCFDデータを用いてモデルを更新することにより, 正確な長期予測を行う。 この枠組みは, 層流から乱流まで, より複雑化する3つの流路にまたがって検証され, 30%から95パーセントの範囲で実証された。
  論文  参考訳（メタデータ） (2025-05-02T18:33:41Z)
• PreMixer: MLP-Based Pre-training Enhanced MLP-Mixers for Large-scale Traffic Forecasting [30.055634767677823]
  都市コンピューティングでは,交通ネットワークからの時系列データの正確かつ迅速な予測が重要である。 現在の研究制限は、モデル固有の非効率性と、モデル複雑さによる大規模トラフィックアプリケーションに対する不適合性のためである。 本稿では,このギャップを埋めるための新しいフレームワークPreMixerを提案する。MLP(Multi-Layer Perceptrons)の原理に基づく予測モデルと事前学習機構を特徴とする。 我々のフレームワークは,大規模トラフィックデータセットの広範な実験により検証され,高い計算効率を維持しながら,同等の最先端性能を実現している。
  論文  参考訳（メタデータ） (2024-12-18T08:35:40Z)
• 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)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)

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。