論文の概要: ADMFormer: An Adaptive-Decomposition Transformer with Time-Varying Masked Spatial Attention for Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2605.25543v1
- Date: Mon, 25 May 2026 08:00:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:19.453063
- Title: ADMFormer: An Adaptive-Decomposition Transformer with Time-Varying Masked Spatial Attention for Traffic Forecasting
- Title（参考訳）: ADMFormer: 交通予報のための時変マス付き空間アテンション付き適応分解変換器
- Authors: Ruiwen Gu, Qitai Tan, Yahao Liu, Xiao-Ping Zhang,
- Abstract要約: ADMFormer は時間変化型マスク空間アテンションを持つ適応分解変換器である。
二重分岐時間モジュールは、大域的周期依存と高周波不規則変動を別々に捉えるように設計されている。
4つの実世界のデータセットに対する大規模な実験は、ADMFormerが最先端のパフォーマンスを達成することを示す。
- 参考スコア（独自算出の注目度）: 12.20918612924047
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate traffic forecasting is essential for intelligent transportation systems, supporting a wide range of real-world applications. However, it remains challenging due to two key factors:~(1) Traffic series contain heterogeneous temporal patterns, where stable periodic regularities coexist with event-driven fluctuations. Existing methods often treat them within a unified representation, limiting their ability to capture fine-grained temporal dynamics.~(2)Spatial dependencies among nodes are inherently dynamic and sparse, while dense all-pairs attention often introduces redundant interactions and amplifies noise. To address these issues, we propose ADMFormer, an Adaptive-Decomposition Transformer with Time-Varying Masked Spatial Attention. Specifically, ADMFormer first employs a time-node adaptive gating mechanism to decouple traffic signals into dominant regularities and residual fluctuations that vary across time and nodes. A dual-branch temporal module is then designed to separately capture global periodic dependencies and high-frequency irregular variations from these two decomposed components. Furthermore, ADMFormer introduces a time-varying masked spatial attention that sparsifies spatial interactions based on real-time traffic states, thereby effectively preserving dynamic and informative dependencies. Extensive experiments on four real-world datasets demonstrate that ADMFormer achieves state-of-the-art performance.
- Abstract（参考訳）: インテリジェント交通システムには正確な交通予測が不可欠であり、幅広い現実世界のアプリケーションをサポートする。
しかし、(1) 交通系列は異種時間パターンを含み、安定した周期規則性はイベント駆動変動と共存する。
既存の手法はしばしばそれらを統一された表現で扱い、微細な時間的ダイナミクスを捉える能力を制限する。
2) ノード間の空間的依存関係は本質的に動的で疎いが、密集した全ペアの注意は冗長な相互作用を導入しノイズを増幅する。
これらの問題に対処するために,時変マスク空間注意を用いた適応分解変換器 ADMFormer を提案する。
具体的には、ADMFormerは、まずタイムノード適応ゲーティング機構を使用して、トラフィック信号を時間とノードによって異なる支配的規則性と残差に分離する。
二重分岐時相モジュールは、これらの2つの分解されたコンポーネントから、大域的周期依存と高周波不規則な変動を分離して捉えるように設計されている。
さらに、ADMFormerは、リアルタイムトラフィック状態に基づいて空間的相互作用を分散させ、動的および情報的依存関係を効果的に保存する、時間変化のマスク付き空間的注意を導入する。
4つの実世界のデータセットに対する大規模な実験は、ADMFormerが最先端のパフォーマンスを達成することを示す。
関連論文リスト
- MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。
MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。
このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
論文 参考訳（メタデータ） (2026-02-14T14:00:06Z) - Learning Multi-Modal Mobility Dynamics for Generalized Next Location Recommendation [51.00494428978262]
位置推薦タスクの移動力学を特徴付けるために,マルチモーダルな時空間知識を利用する。
まず、マルチモーダル表現のための統合時空間関係グラフ(STRG)を構築する。
第二に、異なるモーダルの空間時間グラフ表現を融合するゲーティング機構を設計する。
論文 参考訳（メタデータ） (2025-12-27T14:23:04Z) - ImplicitRDP: An End-to-End Visual-Force Diffusion Policy with Structural Slow-Fast Learning [52.86018040861575]
本稿では,単一のネットワークに視覚計画と反応力制御を統合した,一貫したエンドツーエンドの視覚力拡散政策を提案する。
本稿では,非同期な視覚と力のトークンを同時に処理するための因果的注意力を利用した構造的スローフォールストラーニングを紹介する。
コンタクトリッチタスクの実験では、ImplicitRDPは視覚のみのベースラインと階層的なベースラインの両方で著しく優れていた。
論文 参考訳（メタデータ） (2025-12-11T18:59:46Z) - HyperD: Hybrid Periodicity Decoupling Framework for Traffic Forecasting [10.043485636925265]
HyperDはトラフィックデータを周期的および残留的なコンポーネントに分離する新しいフレームワークである。
4つの実世界のトラフィックデータセットの実験は、HyperDが最先端の予測精度を達成することを示した。
論文 参考訳（メタデータ） (2025-11-12T12:42:22Z) - DRAN: A Distribution and Relation Adaptive Network for Spatio-temporal Forecasting [19.064628208136273]
本稿では,動的に適応し,時間とともに変化に適応できる分布関係適応ネットワーク(DRAN)を提案する。
正規化非正規化プロセスを可能にする空間因子学習モジュール(SFL)を開発した。
本手法は,気象予報や交通流予測タスクにおける最先端手法より優れている。
論文 参考訳（メタデータ） (2025-04-02T09:18:43Z) - Dynamic Trend Fusion Module for Traffic Flow Prediction [9.650380389159459]
既存の手法はしばしば、空間的相関と時間的相関を別々にモデル化し、効果的に融合しない。
交通ネットワークのマルチビュー動的特徴を学習するための動的相関を融合する動的時空間トレンド変換器DST2を提案する。
4つの実世界のトラフィックデータセットの実験は、我々のフレームワークが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-01-18T15:16:47Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2023-01-19T08:42:40Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳（メタデータ） (2020-01-09T10:21:04Z)
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。