論文の概要: ST-ResGAT: Explainable Spatio-Temporal Graph Neural Network for Road Condition Prediction and Priority-Driven Maintenance

• arxiv url: http://arxiv.org/abs/2603.14107v1
• Date: Sat, 14 Mar 2026 20:24:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.605646
• Title: ST-ResGAT: Explainable Spatio-Temporal Graph Neural Network for Road Condition Prediction and Priority-Driven Maintenance
• Title（参考訳）: ST-ResGAT:道路条件予測と優先順位駆動型保守のための説明可能な時空間グラフニューラルネットワーク
• Authors: Mohsin Mahmud Topu, Azmine Toushik Wasi, Mahfuz Ahmed Anik, MD Manjurul Ahsan,
• Abstract要約: 気候にやさしい道路網は、反応性のある固定修理から予測的で意思決定可能なメンテナンスへとパラダイムシフトする必要がある。 本稿では,時空間残差グラフ注意ネットワークST-ResGATを紹介する。 残グラフアテンション符号化とGNN時間アグリゲーションを融合し、舗装劣化を予測する。
• 参考スコア（独自算出の注目度）: 5.876489372173655
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Climate-vulnerable road networks require a paradigm shift from reactive, fix-on-failure repairs to predictive, decision-ready maintenance. This paper introduces ST-ResGAT, a novel Spatio-Temporal Residual Graph Attention Network that fuses residual graph-attention encoding with GRU temporal aggregation to forecast pavement deterioration. Engineered for resource-constrained deployment, the framework translates continuous Pavement Condition Index (PCI) forecasts directly into the American Society for Testing and Materials (ASTM)-compliant maintenance priorities. Using a real-world inspection dataset of 750 segments in Sylhet, Bangladesh (2021-2024), ST-ResGAT significantly outperforms traditional non-spatial machine learning baselines, achieving exceptional predictive fidelity (R2 = 0.93, RMSE = 2.72). Crucially, ablation testing confirmed the mathematical necessity of modeling topological neighbor effects, proving that structural decay acts as a spatial contagion. Uniquely, we integrate GNNExplainer to unbox the model, demonstrating that its learned priorities align perfectly with established physical engineering theory. Furthermore, we quantify classification safety: achieving 85.5% exact ASTM class agreement and 100% adjacent-class containment, ensuring bounded, engineer-safe predictions. To connect model outputs to policy, we generate localized longitudinal maintenance profiles, perform climate stress-testing, and derive Pareto sustainability frontiers. ST-ResGAT therefore offers a practical, explainable, and sustainable blueprint for intelligent infrastructure management in high-risk, low-resource geological settings.
• Abstract（参考訳）: 気候にやさしい道路網は、反応性のある固定修理から予測的で意思決定可能なメンテナンスへとパラダイムシフトする必要がある。 本稿では,GRU時間アグリゲーションによる残差グラフアテンション符号化を融合し,舗装劣化の予測を行う新しい時空間グラフアテンションネットワークST-ResGATを紹介する。 リソース制約のあるデプロイメントのために設計されたこのフレームワークは、継続的舗装条件指標(PCI)の予測を直接、米国試験材料協会(ASTM)準拠のメンテナンス優先順位に翻訳する。 バングラデシュのシルヘット(Sylhet, 2021-2024)の750セグメントの実際の検査データセットを用いて、ST-ResGATは従来の非空間機械学習ベースラインを著しく上回り、例外的な予測精度(R2 = 0.93, RMSE = 2.72)を達成した。 重要な点として、アブレーション試験はトポロジカルな隣り合う効果をモデル化する数学的必要性を確認し、構造崩壊が空間的感染として働くことを証明した。 ユニークなことに、GNNExplainerを統合してモデルをアンボックスし、学習された優先順位が確立された物理工学理論と完全に一致していることを示します。 さらに、85.5%の正確なASTMクラス合意と100%の隣接クラス封じ込めを達成し、境界付きエンジニアセーフな予測を確実にする、分類安全性を定量化する。 モデル出力を政策に結びつけるため,局所的な長期維持プロファイルを生成し,気候ストレステストを行い,パレート持続可能性フロンティアを導出する。 したがってST-ResGATは、高リスクで低リソースの地質環境において、インテリジェントなインフラ管理のための実用的で説明可能な持続可能な青写真を提供する。

関連論文リスト

• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [49.68148244247448]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• UniST-Pred: A Robust Unified Framework for Spatio-Temporal Traffic Forecasting in Transportation Networks Under Disruptions [2.3384578069004114]
  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。
  論文  参考訳（メタデータ） (2026-02-15T08:28:56Z)
• TS-Arena Technical Report -- A Pre-registered Live Forecasting Platform [0.0]
  時系列ファンデーションモデル(TSFM)は、予測のための変換機能を提供するが、リスクは基本的な評価危機を引き起こす。 この危機は、異なるモデルにまたがるトレーニングとテストセットの重複による情報漏洩と、テストデータへのグローバルパターンの不正な転送によって引き起こされる。 TS-Arenaは、真に未知の未来を決定的なテスト環境として扱うことにより、予測の運用上の整合性を回復するプラットフォームである。
  論文  参考訳（メタデータ） (2025-12-23T20:48:11Z)
• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• 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)
• DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising Diffusion Models [53.67562579184457]
  本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。 本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。 提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
  論文  参考訳（メタデータ） (2023-01-31T13:42:36Z)
• STG-GAN: A spatiotemporal graph generative adversarial networks for short-term passenger flow prediction in urban rail transit systems [11.167132464665578]
  短期の旅客フロー予測は、都市交通システムを管理する上で重要であるが、難しい課題である。 本稿では,予測精度が高く,高い効率,メモリ占有率の低い,ディープラーニングに基づく時間グラフ生成対向ネットワーク(STG-GAN)モデルを提案する。 本研究は、特に現実の応用の観点から、短期の乗客フロー予測を行う上で、批判的な経験を提供することができる。
  論文  参考訳（メタデータ） (2022-02-10T13:18:11Z)

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。