論文の概要: Positional-aware Spatio-Temporal Network for Large-Scale Traffic Prediction

• arxiv url: http://arxiv.org/abs/2602.22274v1
• Date: Wed, 25 Feb 2026 09:39:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.344779
• Title: Positional-aware Spatio-Temporal Network for Large-Scale Traffic Prediction
• Title（参考訳）: 大規模交通予測のための位置対応時空間ネットワーク
• Authors: Runfei Chen,
• Abstract要約: PASTNは、時間的および空間的複雑さをエンドツーエンドにキャプチャする。 実験は、様々なスケールのデータセットにわたるPASTNの有効性と効率を検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Traffic flow forecasting has emerged as an indispensable mission for daily life, which is required to utilize the spatiotemporal relationship between each location within a time period under a graph structure to predict future flow. However, the large travel demand for broader geographical areas and longer time spans requires models to distinguish each node clearly and possess a holistic view of the history, which has been paid less attention to in prior works. Furthermore, increasing sizes of data hinder the deployment of most models in real application environments. To this end, in this paper, we propose a lightweight Positional-aware Spatio-Temporal Network (PASTN) to effectively capture both temporal and spatial complexities in an end-to-end manner. PASTN introduces positional-aware embeddings to separate each node's representation, while also utilizing a temporal attention module to improve the long-range perception of current models. Extensive experiments verify the effectiveness and efficiency of PASTN across datasets of various scales (county, megalopolis and state). Further analysis demonstrates the efficacy of newly introduced modules either.
• Abstract（参考訳）: 交通流の予測は生活にとって必須のミッションとして現れており、グラフ構造の下で各場所間の時空間的関係を利用して将来の流れを予測することが求められている。 しかし、より広い地理的領域と長い期間の旅行需要は、各ノードを明確に区別し、過去の作品にはあまり注目されていない歴史の全体像を保持するモデルを必要とする。 さらに、データサイズの増加は、実際のアプリケーション環境におけるほとんどのモデルのデプロイを妨げる。 そこで本稿では,時間的・空間的複雑さを終末的に効果的に捉えるために,PASTN(Pightal-Aware Spatio-Temporal Network)を提案する。 PASTNは各ノードの表現を分離するために位置認識埋め込みを導入し、同時に時間的アテンションモジュールを使用して現在のモデルの長距離認識を改善する。 大規模な実験により、様々なスケール(州、メガロポリス、州)のデータセットにわたるPATNの有効性と効率が検証された。 さらなる分析は、新しく導入されたモジュールの有効性も示している。

関連論文リスト

• STA-GANN: A Valid and Generalizable Spatio-Temporal Kriging Approach [17.906087451522303]
  STA-GAN は (i) シフトのタイムスタンプを感知し、タイムスタンプを検知する分離フェーズ, (ii) 時間的データとメタデータを使用して関係を更新する動的データ駆動グラフモデリング, (iii) 一般化性を保証するための対向移動学習戦略を統合している。
  論文  参考訳（メタデータ） (2025-08-22T07:33:12Z)
• STGAtt: A Spatial-Temporal Unified Graph Attention Network for Traffic Flow Forecasting [3.9560660144028126]
  本稿では,新しい深層学習モデルである空間時間統一グラフ注意ネットワーク(STGAtt)を提案する。 統合グラフ表現とアテンション機構を活用することで、STGAttは複雑な空間的時間的依存関係を効果的にキャプチャする。
  論文  参考訳（メタデータ） (2025-08-21T17:21:14Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• 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)
• Dynamic Graph Convolutional Network with Attention Fusion for Traffic Flow Prediction [10.3426659705376]
  本稿では,同期時空間相関をモデル化するための注意融合型動的グラフ畳み込みネットワークを提案する。 我々は、4つの実世界の交通データセットにおいて、我々の手法が18のベースライン法と比較して最先端の性能を上回ることを示す広範な実験を行った。
  論文  参考訳（メタデータ） (2023-02-24T12:21:30Z)
• 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)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• Unified Spatio-Temporal Modeling for Traffic Forecasting using Graph Neural Network [2.7088996845250897]
  このような分解加群との複素時間的関係を抽出するのは時間的効果が低いと我々は主張する。 空間的および時間的アグリゲーションを行う交通予測のための統一S週間グラフ畳み込み(USTGCN)を提案する。 我々のモデルUSTGCNは3つの人気のあるベンチマークデータセットで最先端のパフォーマンスを上回ります。
  論文  参考訳（メタデータ） (2021-04-26T12:33:17Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• 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。