論文の概要: Spatial PDE-aware Selective State-space with Nested Memory for Mobile Traffic Grid Forecasting

• arxiv url: http://arxiv.org/abs/2603.12353v1
• Date: Thu, 12 Mar 2026 18:17:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.713231
• Title: Spatial PDE-aware Selective State-space with Nested Memory for Mobile Traffic Grid Forecasting
• Title（参考訳）: 移動トラフィックグリッド予測のためのネストメモリを用いた空間PDE対応選択状態空間
• Authors: Zineddine Bettouche, Khalid Ali, Andreas Fischer, Andreas Kassler,
• Abstract要約: ネスト学習パラダイムで実装された空間的PDE対応コアを持つ畳み込み選択状態空間モデル(SSM)であるNeST-S6を提案する。 NeST-S6は32倍高速でMAC解像度を4.3倍削減する。
• 参考スコア（独自算出の注目度）: 0.81996963503528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic forecasting in cellular networks is a challenging spatiotemporal prediction problem due to strong temporal dependencies, spatial heterogeneity across cells, and the need for scalability to large network deployments. Traditional cell-specific models incur prohibitive training and maintenance costs, while global models often fail to capture heterogeneous spatial dynamics. Recent spatiotemporal architectures based on attention or graph neural networks improve accuracy but introduce high computational overhead, limiting their applicability in large-scale or real-time settings. We study spatiotemporal grid forecasting, where each time step is a 2D lattice of traffic values, and predict the next grid patch using previous patches. We propose NeST-S6, a convolutional selective state-space model (SSM) with a spatial PDE-aware core, implemented in a nested learning paradigm: convolutional local spatial mixing feeds a spatial PDE-aware SSM core, while a nested-learning long-term memory is updated by a learned optimizer when one-step prediction errors indicate unmodeled dynamics. On the mobile-traffic grid (Milan dataset) at three resolutions (202, 502, 1002), NeST-S6 attains lower errors than a strong Mamba-family baseline in both single-step and 6-step autoregressive rollouts. Under drift stress tests, our model's nested memory lowers MAE by 48-65% over a no-memory ablation. NeST-S6 also speeds full-grid reconstruction by 32 times and reduces MACs by 4.3 times compared to competitive per-pixel scanning models, while achieving 61% lower per-pixel RMSE.
• Abstract（参考訳）: セルネットワークにおけるトラフィック予測は、強い時間的依存、セル間の空間的不均一性、大規模なネットワーク展開へのスケーラビリティの必要性による時空間的予測の問題である。 従来の細胞特異的モデルではトレーニングとメンテナンスの費用が禁じられているが、グローバルモデルは不均一な空間力学を捉えるのに失敗することが多い。 注目やグラフニューラルネットワークに基づく最近の時空間アーキテクチャでは、精度は向上するが、高い計算オーバーヘッドを導入し、大規模またはリアルタイムな設定での適用性を制限している。 本研究では,各時間ステップがトラフィック値の2次元格子である時空間グリッド予測について検討し,前回のパッチによる次のグリッドパッチの予測を行う。 本研究では,空間的PDEを考慮した畳み込み選択型状態空間モデルNeST-S6を提案する。 3つの解像度(202, 502, 1002)の移動トラフィックグリッド(Milanデータセット)では、NeST-S6はシングルステップおよび6ステップの自己回帰ロールアウトにおいて、強力なMambaファミリーベースラインよりも低いエラーを発生させる。 ドリフトストレステストでは, ネストメモリは非メモリアブレーションよりも48-65%低下する。 NeST-S6はまた、フルグリッドの再構築を32倍高速化し、競合する1ピクセル当たりのスキャンモデルに比べてMACを4.3倍削減し、また1ピクセル当たりのRMSEは61%低下した。

関連論文リスト

• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• SpikySpace: A Spiking State Space Model for Energy-Efficient Time Series Forecasting [9.976522013586244]
  SpikySpaceは、注意ブロックの二次コストを選択的スキャンによって線形時間に削減する、スパイク状態空間モデルである。 指数関数や除算などの複雑な演算は、ニューロモルフィックチップ上でコストがかかるため、SiLUとSoftplusの簡易近似を導入する。 一致する環境では、SpkySpaceは2つの最先端トランスフォーマーベースのアプローチと比較して、推定エネルギー消費を98.73%、96.24%削減する。
  論文  参考訳（メタデータ） (2026-01-02T13:10:53Z)
• A lightweight Spatial-Temporal Graph Neural Network for Long-term Time Series Forecasting [0.0]
  Lite-STGNNは、長期多変量予測のための軽量な時空間グラフニューラルネットワークである。 分解に基づく時間モデリングと学習可能なスパースグラフ構造を統合する。 Lite-STGNNは、最大720ステップまでの地平線のための4つのベンチマークデータセットで最先端の精度を達成する。
  論文  参考訳（メタデータ） (2025-12-19T11:12:20Z)
• 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)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• HiSTM: Hierarchical Spatiotemporal Mamba for Cellular Traffic Forecasting [0.7111641404908191]
  両空間エンコーダとマンバに基づく時間モジュールとアテンション機構を組み合わせた階層型時空間マンバ(HiSTM)を提案する。 HiSTMは、ネットワークトラフィックの空間的および時間的パターンをキャプチャするために、選択的な状態空間法を用いる。 我々は、HiSTMが様々なデータセットにまたがってうまく一般化し、より長い時間ホライズンよりも精度が向上することを示す。
  論文  参考訳（メタデータ） (2025-08-07T14:18:18Z)
• Enhancing Spatiotemporal Networks with xLSTM: A Scalar LSTM Approach for Cellular Traffic Forecasting [0.7111641404908191]
  本稿では,空間的特徴抽出のための3層Conv3Dモジュールと,より効率的なモデリングのためのグラデラーLSTMを利用する軽量なデュアルパス時空間ネットワークを提案する。 ConvLSTMベースラインよりも優れた予測性能を示し、未確認領域への強力な一般化を実現し、大規模次世代ネットワーク展開に適していることを示す。
  論文  参考訳（メタデータ） (2025-07-17T22:48:46Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
  本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。 この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
  論文  参考訳（メタデータ） (2024-08-26T17:03:14Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)

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。