論文の概要: Vessel Traffic Flow Prediction on Sparse Data via Spatio-Temporal Graph Neural Networks with a Learnable Tweedie Head

• arxiv url: http://arxiv.org/abs/2606.07694v1
• Date: Fri, 05 Jun 2026 07:31:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.284565
• Title: Vessel Traffic Flow Prediction on Sparse Data via Spatio-Temporal Graph Neural Networks with a Learnable Tweedie Head
• Title（参考訳）: 学習可能なツイーディヘッドを有する時空間グラフニューラルネットワークによるスパースデータ上の容器交通流予測
• Authors: Kyeongjun Lee, Heeyoung Kim,
• Abstract要約: 海上交通流のデータはしばしば断続的なバーストと疎結合であり、堅牢な予測を困難にしている。 任意のST-GNNバックボーンにプラグイン・アンド・プレイ出力モジュールとしてアタッチできるモデルに依存しない学習可能なTweedieヘッドを提案する。
• 参考スコア（独自算出の注目度）: 9.797319790710711
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate vessel traffic flow prediction is crucial for smart port operations and navigational safety. However, maritime traffic flow data are often highly sparse with intermittent bursts, making robust forecasting challenging. Under such conditions, conventional spatio-temporal graph neural networks (ST-GNNs) can degrade toward conservative near-zero predictions and fail to capture non-zero activity. Although zero-inflated negative binomial (ZINB) models partially address excess zeros, their two-part formulation can still remain conservative around abrupt transitions. To address these issues, we propose a model-agnostic learnable Tweedie head that can be attached as a plug-and-play output module to arbitrary ST-GNN backbones. Instead of likelihood-based Tweedie training, which typically requires surrogate objectives, our approach optimizes the closed-form Tweedie unit deviance and predicts the mean for point forecasting while learning a node-level variance power to capture heterogeneous variability across port areas. Experiments on a maritime traffic graph constructed from real-world AIS data in the Port of Los Angeles and Long Beach show that the proposed head consistently improves RMSE across multiple ST-GNN backbones, especially on non-zero events, leading to more reliable forecasts for practical maritime traffic control.
• Abstract（参考訳）: 船舶の正確な交通流予測は、スマートポートの運用と航行安全に不可欠である。 しかし、海上交通流データはしばしば断続的なバーストと疎結合であり、堅牢な予測が困難である。 このような条件下では、従来の時空間グラフニューラルネットワーク(ST-GNN)は、保守的な近ゼロ予測に向けて劣化し、非ゼロ活動の捕捉に失敗する。 ゼロインフレド負二項モデル (ZINB) は、部分的に過剰な零点に対処するが、それらの2部分の定式化は、突然の遷移の前後でも保守的である。 これらの問題に対処するために、任意のST-GNNバックボーンにプラグイン・アンド・プレイ出力モジュールとしてアタッチできるモデルに依存しない学習可能なTweedieヘッドを提案する。 提案手法では,通常サロゲート目標を必要とする確率に基づくTweedieトレーニングの代わりに,閉形式のTweedie単位偏差を最適化し,ノードレベルの分散パワーを学習しながら点予測の平均値を予測し,ポート領域間の不均一変動を捉える。 ロサンゼルス港とロングビーチ港における実世界のAISデータから構築された海上交通グラフの実験により、提案された頭部は複数のST-GNNバックボーン、特にゼロでないイベントにおいてRMSEを一貫して改善し、実用的な海上交通制御のための信頼性の高い予測を導いた。

関連論文リスト

• Adaptive Graph Pruning with Sudden-Events Evaluation for Traffic Prediction using Online Semi-Decentralized ST-GNNs [0.07456526005219317]
  予測のための最も情報性の高い空間コンテキストを保存しながら、冗長な隣接特徴をフィルタリングする適応型プルーニングアルゴリズムを提案する。 このアルゴリズムは、最近のモデル性能に基づいてプルーニング率を調整し、各クラウドレットが精度を損なうことなく、トラフィックの変化を経験する領域に集中できるようにする。 当社のアプローチは,従来のFL,サーバフリーFL,Gossip Learningを併用した,大規模トラフィックデータセットのオンライン半分散環境で評価する。
  論文  参考訳（メタデータ） (2025-12-19T08:48:36Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• 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)
• Unveiling Delay Effects in Traffic Forecasting: A Perspective from Spatial-Temporal Delay Differential Equations [20.174094418301245]
  交通流予測は交通計画と管理の基本的な研究課題である。 近年,グラフニューラルネットワーク (GNN) とリカレントニューラルネットワーク (RNN) は交通流予測のための空間的時間的相関を捉えることに成功している。 1) GNNでのメッセージパッシングは即時であり、実際には近隣ノード間の空間的メッセージインタラクションは遅延する可能性がある。
  論文  参考訳（メタデータ） (2024-02-02T08:55:23Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Newell's theory based feature transformations for spatio-temporal traffic prediction [0.0]
  本稿では,交通流予測のための深層学習(DL)モデルのための交通流物理に基づく変換機能を提案する。 この変換は、Newellがターゲット位置におけるトラフィックフローの非混雑フィルタを組み込んだもので、モデルがシステムのより広範なダイナミクスを学習できるようにする。 私たちのフレームワークの重要な利点は、データが利用できない新しい場所に転送できることです。
  論文  参考訳（メタデータ） (2023-07-12T06:31:43Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• 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)

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。