論文の概要: Efficient Prompt Learning for Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2605.08273v1
• Date: Fri, 08 May 2026 03:45:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.519403
• Title: Efficient Prompt Learning for Traffic Forecasting
• Title（参考訳）: 交通予測のための効率的なプロンプト学習
• Authors: Qianru Zhang, Xinyi Gao, Alexander Zhou, Reynold Cheng, Siu-Ming Yiu, Hongzhi Yin,
• Abstract要約: 我々は、SimpleSTという、訓練済みの時間GNNに適応するための軽量でモデルに依存しないプロンプトチューニングフレームワークを導入する。 適応のオーバーヘッドと複雑さを減らし、事前学習されたモデルのアウト・ディストリビューション・一般化を効率的に利用できるようにする。
• 参考スコア（独自算出の注目度）: 78.86991846411793
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate traffic prediction is essential for optimizing transportation systems, enhancing resource allocation, and improving overall urban administration. Spatio-temporal graph neural networks (GNNs) have achieved state-of-the-art performance and have been widely used in various spatio-temporal prediction scenarios. However, these prediction methods often exhibit low generalization ability, struggling with distribution shifts caused by spatio-temporal dynamics. To address this challenge, we propose an approach to enhance the generalization and adaptation of spatio-temporal GNNs through efficient prompting. Specifically, we introduce a lightweight and model-agnostic prompt tuning framework for spatio-temporal GNNs, named SimpleST. It facilitates adapting pre-trained spatio-temporal GNNs to novel distributions while keeping the model parameters fixed. This prompt mechanism reduces the overhead and complexity of adaptation, enabling efficient utilization of pre-trained models for out-of-distribution generalization. Extensive experiments conducted on five real-world urban spatio-temporal datasets demonstrate the superiority of our approach in terms of prediction accuracy and computational efficiency.
• Abstract（参考訳）: 交通システムの最適化、資源配分の強化、都市行政全体の改善には、正確な交通予測が不可欠である。 時空間グラフニューラルネットワーク(GNN)は最先端の性能を達成し,様々な時空間予測シナリオで広く利用されている。 しかし,これらの予測手法は時空間力学による分布変化に苦慮し,低一般化能力を示すことが多い。 この課題に対処するために、効率的なプロンプトにより時空間GNNの一般化と適応を強化するアプローチを提案する。 具体的には、時空間GNNのための軽量かつモデルに依存しないプロンプトチューニングフレームワークSimpleSTを紹介する。 モデルパラメータを固定したまま、事前訓練された時空間GNNを新しい分布に適応させるのに役立つ。 このプロンプト機構は適応のオーバーヘッドと複雑さを低減し、事前学習されたモデルのアウト・オブ・ディストリビューションの一般化に効率的に活用することができる。 5つの実世界の都市時空間データセットで行った大規模な実験は、予測精度と計算効率の観点から、我々のアプローチの優位性を実証している。

関連論文リスト

• Learning from Yesterday's Error: An Efficient Online Learning Method for Traffic Demand Prediction [6.104967994062357]
  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。
  論文  参考訳（メタデータ） (2026-02-25T10:19:39Z)
• Decoupling Spatio-Temporal Prediction: When Lightweight Large Models Meet Adaptive Hypergraphs [12.867023510751787]
  STH-SepNetは、時間的および空間的表現性を効率と精度の両方に分離する新しいフレームワークである。 S-SepNetは、現実世界のアプリケーションにおける時間予測のための実用的でスケーラブルなソリューションを提供する。 この作業は、計算要求の削減と予測性能の向上を目的とした、時間的予測のための有望な軽量フレームワークを提供する可能性がある。
  論文  参考訳（メタデータ） (2025-05-26T07:37:39Z)
• Expand and Compress: Exploring Tuning Principles for Continual Spatio-Temporal Graph Forecasting [40.9030781267984]
  本稿では,新しいプロンプトチューニングに基づく連続予測手法を提案する。 具体的には,基本時相グラフニューラルネットワークと連続的なプロンプトプールをメモリに格納する。 この手法により、モデルが広範囲な時間的データストリームから逐次学習し、対応する期間のタスクを達成できる。
  論文  参考訳（メタデータ） (2024-10-16T14:12:11Z)
• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• 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)
• FlashST: A Simple and Universal Prompt-Tuning Framework for Traffic Prediction [22.265095967530296]
  FlashSTは、トレーニング済みのモデルに適応して、さまざまなデータセットの特定の特性を一般化するフレームワークである。 事前トレーニングとダウンストリームデータのシフトを捉え、さまざまなシナリオへの効果的な適応を促進する。 実証的な評価は、さまざまなシナリオにおけるFlashSTの有効性を示している。
  論文  参考訳（メタデータ） (2024-05-28T07:18:52Z)
• ST-Mamba: Spatial-Temporal Selective State Space Model for Traffic Flow Prediction [32.44888387725925]
  提案したST-Mambaモデルは,まず,グラフモデルを用いることなく交通流予測における時空間学習のパワーを活用する。 提案したST-Mambaモデルでは、計算速度が61.11%向上し、予測精度が0.67%向上した。 実世界のトラフィックデータセットを用いた実験は、textsfST-Mambaモデルがトラフィックフロー予測の新しいベンチマークを設定することを示した。
  論文  参考訳（メタデータ） (2024-04-20T03:57:57Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)

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。