論文の概要: Bridge: Retrieval-Augmented Spatiotemporal Modeling for Urban Delivery Demand
- arxiv url: http://arxiv.org/abs/2605.19172v1
- Date: Mon, 18 May 2026 22:55:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.018193
- Title: Bridge: Retrieval-Augmented Spatiotemporal Modeling for Urban Delivery Demand
- Title（参考訳）: 橋 - 都市における宅配需要の時空間モデル-
- Authors: Yihong Tang, Tong Nie, Junlin He, Qianjun Huang, Dingyi Zhuang, Lijun Sun,
- Abstract要約: 本研究では、地域時間ウィンドウの時間認識メモリから将来の需要パターンを検索する時間グラフフレームワークを提案する。
実験によると、Bridgeは、都市内のコールドスタートメモリデータセットの両方において、競合するベースラインよりも一貫して改善されている。
- 参考スコア（独自算出の注目度）: 21.129690184802758
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forecasting urban delivery demand becomes substantially more challenging when newly added service regions lack historical records. Existing spatiotemporal forecasters effectively model spatial dependence once sufficient node histories are available. Still, they remain parametric and therefore struggle to recover short-term operational dynamics in cold-start regions. Geospatial embeddings help identify where a region is and what function it serves, yet they do not directly reveal how a similar region behaves under a comparable temporal context. We propose Bridge, a retrieval-augmented spatiotemporal graph framework that combines an inductive contextual graph backbone with a time-aware memory of region-time windows. For each target region, Bridge retrieves future demand patterns from the memory using both regional context and recent dynamics, and refines the backbone forecast through a gated fusion mechanism. To align retrieval with forecasting utility, we further train the retriever with a future-aware objective that favors entries whose future trajectories best match the target. Experiments on four real-world delivery datasets show that Bridge consistently improves over competitive spatiotemporal baselines in both within-city cold-start and cross-city transfer with partial observations. The results show that retrieval augmentation provides a useful operational memory for cold-start urban demand forecasting when parametric graph generalization alone is insufficient.
- Abstract（参考訳）: 新たに追加されたサービス地域が歴史的な記録を欠くと、都市部での宅配需要の予測が著しく困難になる。
既存の時空間予測器は、十分なノード履歴が利用可能であれば、空間依存を効果的にモデル化する。
それでもパラメトリックのままであり、コールドスタート地域での短期運用のダイナミクスの回復に苦慮している。
地理空間埋め込みは、ある領域がどこにあるか、どの機能を果たすかを特定するのに役立つが、同じ領域が同じ時間的文脈の下でどのように振る舞うかを直接明らかにしない。
本稿では,検索時空間グラフフレームワークであるBridgeを提案する。このBridgeは,インダクティブなコンテキストグラフバックボーンと,地域時間ウィンドウのタイムアウェアメモリを組み合わせたものだ。
各対象領域について、Bridgeは、地域コンテキストと最近のダイナミクスの両方を使用して、メモリから将来の需要パターンを検索し、ゲート融合機構を通じてバックボーン予測を洗練する。
検索を予測ユーティリティと整合させるため,検索者に対して,将来の軌道が目標に最も合うエントリを優先する将来認識目的の学習を行う。
4つの実世界の配送データセットの実験では、ブリッジは、部分的な観測を伴う都市内コールドスタートと都市間移動の両方において、競合する時空間ベースラインよりも一貫して改善されている。
その結果,パラメトリックグラフの一般化だけでは不十分な場合,検索の強化は,コールドスタート都市需要予測に有用な操作記憶を提供することがわかった。
関連論文リスト
- Beyond Extrapolation: Knowledge Utilization Paradigm with Bidirectional Inspiration for Time Series Forecasting [81.44658512649633]
KUP-BIは、エンファントレインのみの歴史図書館から継続スタイルの知識を抽出する新しい時系列モデリングパラダイムである。
最新モデルの予測性能を継続的に改善し、オーバーヘッドを小さくする。
論文 参考訳（メタデータ） (2026-05-19T01:43:00Z) - A Grid-Based Framework for E-Scooter Demand Representation and Temporal Input Design for Deep Learning: Evidence from Austin, Texas [0.17188280334580194]
本稿では,画像から画像への需要予測のための時間的入力構造を統計的に設計する手法を提案する。
我々は、旅行記録を時間ごとのピックアップ・アンド・ドロップオフ需要画像に変換することにより、グリッドベースの国勢調査データセットを構築した。
提案した設計では、次の24時間予測では平均2乗誤差を最大37%削減し、次の24時間予測では35%削減する。
論文 参考訳（メタデータ） (2026-03-13T21:36:04Z) - S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。
これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。
本稿では,構造的空間的注意を新たに提案する。
空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。
ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
論文 参考訳（メタデータ） (2025-09-10T05:33:28Z) - STRelay: A Universal Spatio-Temporal Relaying Framework for Location Prediction with Future Spatiotemporal Contexts [23.8690122800167]
STRelayは全てのケースにおける予測性能を3.19%-1156%改善している。
我々はSTRelayを4つの実世界の軌跡データセット上で4つの最先端位置予測ベースモデルと統合して評価する。
結果、STRelayは全てのケースにおける予測性能を3.19%-1156%改善することを示した。
論文 参考訳（メタデータ） (2025-08-14T02:44:33Z) - 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) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。
時系列モデルが数値予測の代替となる。
本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
論文 参考訳（メタデータ） (2022-09-29T13:47:02Z) - A Spatial-Temporal Attention Multi-Graph Convolution Network for
Ride-Hailing Demand Prediction Based on Periodicity with Offset [9.897431292540393]
ライドシェアリングは都市交通の中心となっている。
配車サービスの効率を向上させるためには、交通需要の正確な予測が根本的な課題である。
本稿では,ネットワーク構造とデータセットの定式化の両面からこの問題に対処する。
論文 参考訳（メタデータ） (2022-03-23T16:03:55Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1～15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳（メタデータ） (2022-02-10T11:37:00Z) - Passenger Mobility Prediction via Representation Learning for Dynamic
Directed and Weighted Graph [31.062303389341317]
本稿では,gallat (graph prediction with all attention) という新たなグラフアテンションネットワークを提案する。
Gallatでは、DDWグラフの3つの本質的な特性を包括的に組み込むことにより、3つの注意層を構築し、すべての履歴時間スロットにわたって異なる地域間の依存関係を完全にキャプチャします。
提案モデルを実世界のデータセット上で評価し,gallatが最先端のアプローチを上回ることを示した。
論文 参考訳（メタデータ） (2021-01-04T03:32:01Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。