論文の概要: Spatiotemporal Multi-Task Graph Transformer for Trip-Level Transit Prediction

• arxiv url: http://arxiv.org/abs/2606.00572v1
• Date: Sat, 30 May 2026 06:49:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.531767
• Title: Spatiotemporal Multi-Task Graph Transformer for Trip-Level Transit Prediction
• Title（参考訳）: トリップレベルトランジット予測のための時空間マルチタスクグラフ変換器
• Abstract要約: 既存のアプローチは、しばしば固定時間的、空間的、あるいは停止レベルの時間的モデリングに依存している。 本研究では,連続列モデルとしてトリップレベル遷移予測をフレーム化するマルチテンポラルグラフ変換器を提案する。 主要なコンポーネントは、マルチリレーショナルな類似性のためのグラフ埋め込み、天気と時間情報のためのコンテキストエンコーダ、タスク固有のデコーダ表現を生成する混合専門家モジュールである。
• 参考スコア（独自算出の注目度）: 6.06184145292026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Passenger count data from public transit systems reveals urban mobility patterns and is essential for planning, operation, and optimisation. However, non-linear spatiotemporal interdependencies across stops and lines make modelling and prediction challenging. Existing approaches often rely on fixed temporal, spatial, or stop-level formulations, limiting their ability to capture within-trip evolution and network context. This study proposes SMT-GraphFormer, a spatiotemporal multi-task graph transformer that frames trip-level transit prediction as sequence-to-sequence modelling. Given a line's stop sequence and trip-level context, the model predicts successive boarding and alighting counts, with delay and dwell time treated as encoder-side surrogate tasks. Key components include graph embeddings for multi-relational stop similarity, a context encoder for weather and temporal information, and a multi-gate mixture-of-experts module that produces task-specific decoder representations for boarding and alighting predictions. Evaluation on public bus transit data from Trondheim, Norway, shows that SMT-GraphFormer outperforms stop-level tabular benchmarks, with ablation studies examining each component's contribution. The sequential formulation yields substantial gains on alighting prediction ($+$0.24 in $R^2$) and consistent improvements on boarding, delay, and dwell, confirming the value of explicit trip-level sequential bias and inter-target dependencies. These findings demonstrate the potential of transformer-based sequence modelling for capturing complex spatiotemporal dynamics in public transit and underscore the value of architectures tailored to transit data rather than off-the-shelf tabular models. The proposed framework provides a horizon-agnostic basis for scenario analysis in digital twin environments, supporting informed decision-making by planners and transit operators.
• Abstract（参考訳）: 公共交通機関からの乗客数データは都市移動パターンを明らかにし、計画、運用、最適化に不可欠である。 しかしながら、終点と直線をまたいだ非線形時空間相互依存性はモデリングと予測を困難にしている。 既存のアプローチは、しばしば時間的、空間的、または停止レベルの定式化に依存し、トリップ内進化とネットワークコンテキストをキャプチャする能力を制限する。 本研究では,SMT-GraphFormerを提案する。SMT-GraphFormerは時空間多タスクグラフトランスフォーマで,トリップレベルのトランジット予測をシーケンス・ツー・シーケンス・モデリングとして行う。 ラインの停止シーケンスとトリップレベルのコンテキストが与えられた場合、このモデルは、エンコーダ側のサロゲートタスクとして処理された遅延時間とドウェル時間とともに、連続した搭乗数と飛行数を予測する。 主なコンポーネントは、マルチリレーショナルストップ類似性のためのグラフ埋め込み、天気と時間情報のためのコンテキストエンコーダ、および、搭乗および照会予測のためのタスク固有のデコーダ表現を生成するマルチゲートミックスオブエキスパートモジュールである。 SMT-GraphFormerは,ノルウェーのトロンドハイムの公共バス交通データから,各コンポーネントの寄与度を比較検討した結果,停止レベルタブラベンチマークよりも優れていた。 シーケンシャルな定式化は、照会予測(+$0.24 in $R^2$)と、搭乗、遅延、居住における一貫した改善によってかなりの利益をもたらし、明示的なトリップレベルのシーケンシャルなバイアスとターゲット間の依存関係の値を確認する。 これらの結果は、トランスフォーマーに基づくシーケンスモデリングが、公共交通機関における複雑な時空間ダイナミクスを捉える可能性を示し、市販の表形式モデルではなく、トランジットデータに適したアーキテクチャの価値を浮き彫りにしている。 提案フレームワークは,デジタル双対環境におけるシナリオ解析の水平方向に依存しない基盤を提供し,プランナやトランジットオペレータによる情報意思決定を支援する。

関連論文リスト

• A Multi-View Coupled Tensor Decomposition for Lightweight Online Adaptive Traffic Prediction [9.202409218074294]
  本稿では,不完全なマルチビュー観測からオンライントラフィック予測を行うためのMVCTDモデルを提案する。 実世界のトラフィックデータセットの実験では、MVCTDは厳しい不足の下で、好ましいランタイムで正確な予測を達成している。
  論文  参考訳（メタデータ） (2026-08-26T08:09:00Z)
• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• Towards Resilient Transportation: A Conditional Transformer for Accident-Informed Traffic Forecasting [16.242959582777797]
  正確な予測は、交通事故や規制などの外部要因の複雑な影響によって妨げられる。 グラフの伝播をガイド付き正規化層に統合するフレームワークであるConFormerを提案する。 我々のモデルは予測性能と効率の両方において最先端のSTAEFormerを上回っている。
  論文  参考訳（メタデータ） (2025-12-10T07:50:20Z)
• DST-TransitNet: A Dynamic Spatio-Temporal Deep Learning Model for Scalable and Efficient Network-Wide Prediction of Station-Level Transit Ridership [12.6020349733674]
  本稿では,システムワイドライダーシップ予測のためのハイブリッドディープラーニングモデルであるDST-TransitNetを紹介する。 ボゴタのBRTシステムデータでテストされており、3つの異なる社会的シナリオがある。 最先端のモデルを精度、効率、堅牢性で上回る。
  論文  参考訳（メタデータ） (2024-10-19T06:59:39Z)
• COOL: A Conjoint Perspective on Spatio-Temporal Graph Neural Network for Traffic Forecasting [10.392021668859272]
  本稿では,先行情報と後続情報から異種グラフをモデル化し,高次時間関係を連続的に捉えるコンジョイント時空間グラフニューラルネットワーク(COOL)を提案する。 交通予知性を高めるために,マルチランクとマルチスケールの両方から多様な時間パターンをモデル化するコンジョイント・アテンション・デコーダを提案する。
  論文  参考訳（メタデータ） (2024-03-02T04:30:09Z)
• 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)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
  歩行者の立ち止まりと予測の新たな課題を紹介します。 都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。 歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
  論文  参考訳（メタデータ） (2022-03-04T18:39:31Z)
• PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting [4.14360329494344]
  我々は、プログレッシブグラフ畳み込みネットワーク(PGCN)と呼ばれる新しいトラフィック予測フレームワークを提案する。 PGCNは、トレーニングおよびテストフェーズ中にオンライン入力データに段階的に適応することで、グラフのセットを構築する。 提案したモデルでは,すべてのデータセットの一貫性を保ちながら,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-02-18T02:15:44Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)

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。