論文の概要: Deep Learning Network-Temporal Models For Traffic Prediction

• arxiv url: http://arxiv.org/abs/2603.11475v1
• Date: Thu, 12 Mar 2026 02:56:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.831625
• Title: Deep Learning Network-Temporal Models For Traffic Prediction
• Title（参考訳）: 交通予測のためのDeep Learning Network-Temporal Model
• Authors: Yufeng Xin, Ethan Fan,
• Abstract要約: 時間的パターンとネットワークトポロジ的相関を同時に学習することを目的とした2つのディープラーニングモデルを提案する。 どちらのモデルも、既に統計手法より優れているLSTMモデルに対して研究されている。 より詳細な分析では、時系列と異なる予測地平線における相関変数と予測分布の相違に関する重要な洞察も示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series analysis is critical for emerging net- work intelligent control and management functions. However, existing statistical-based and shallow machine learning models have shown limited prediction capabilities on multivariate time series. The intricate topological interdependency and complex temporal patterns in network data demand new model approaches. In this paper, based on a systematic multivariate time series model study, we present two deep learning models aiming for learning both temporal patterns and network topological correlations at the same time: a customized network-temporal graph attention network (GAT) model and a fine-tuned multi-modal large language model (LLM) with a clustering overture. Both models are studied against an LSTM model that already outperforms the statistical methods. Through extensive training and performance studies on a real-world network dataset, the LLM-based model demonstrates superior overall prediction and generalization performance, while the GAT model shows its strength in reducing prediction variance across the time series and horizons. More detailed analysis also reveals important insights into correlation variability and prediction distribution discrepancies over time series and different prediction horizons.
• Abstract（参考訳）: 時系列分析は、ネットワークのインテリジェントな制御と管理機能の実現に不可欠である。 しかし、既存の統計ベースおよび浅層機械学習モデルでは、多変量時系列上での予測能力が制限されている。 ネットワークデータにおける複雑なトポロジカル相互依存性と複雑な時間パターンは、新しいモデルアプローチを必要とする。 本稿では,時間的パターンとネットワークトポロジ的相関を同時に学習することを目的とした,系統的多変量時系列モデルに基づく2つの深層学習モデルを提案する。 どちらのモデルも、既に統計手法より優れているLSTMモデルに対して研究されている。 実世界のネットワークデータセットに関する広範なトレーニングとパフォーマンス研究を通じて、LLMベースのモデルはより優れた全体的な予測と一般化性能を示し、GATモデルは時系列と地平線間の予測ばらつきを低減するその強さを示している。 より詳細な分析は、時系列と異なる予測地平線における相関変数と予測分布の相違に関する重要な洞察を明らかにしている。

関連論文リスト

• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
  ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。 実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
  論文  参考訳（メタデータ） (2025-09-07T13:57:14Z)
• Differential Machine Learning for Time Series Prediction [1.3812010983144802]
  本稿では、差分学習によるニューラルネットワーク予測を強化する新しい手法を提案する。 我々は,共有LSTMセルを用いて,両データストリームを同時に処理する差分長短期メモリ(Diff-LSTM)ネットワークを開発した。
  論文  参考訳（メタデータ） (2025-03-05T09:36:57Z)
• Multi-Head Self-Attending Neural Tucker Factorization [5.734615417239977]
  本稿では,高次元および不完全(HDI)テンソルの学習表現に適したニューラルネットワークに基づくテンソル分解手法を提案する。 提案したMSNTucFモデルでは,観測結果の欠落を推定する上で,最先端のベンチマークモデルと比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-16T13:04:15Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• Temporal-Spatial dependencies ENhanced deep learning model (TSEN) for household leverage series forecasting [12.727583657383073]
  財務時系列予測のための正確な予測モデルのための時間的・空間的パターンの解析は困難である。 深層学習の応用に触発されて,中国における家庭のレバレッジ予測の課題を解決するための新しいモデルを提案する。 その結果,新たなアプローチは家庭の時間空間的ダイナミクスをうまく捉え,より正確で確実な予測結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T00:10:25Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)

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。