論文の概要: From Coarse to Fine: Managing Temporal Granularity in Spatio-Temporal Data for Fine-Grained Traffic Prediction

• arxiv url: http://arxiv.org/abs/2606.09392v1
• Date: Mon, 08 Jun 2026 12:07:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.965982
• Title: From Coarse to Fine: Managing Temporal Granularity in Spatio-Temporal Data for Fine-Grained Traffic Prediction
• Title（参考訳）: 粗粒化から細粒化:微粒化予測のための時空間データにおける時間的粒度管理
• Authors: Shuhao Li, Weidong Yang, Yue Cui, Zizhuo Xu, Lipeng Ma, Fan Zhang, Xiaofang Zhou,
• Abstract要約: 粗い粒度のデータは、時間的粒度の予測を必要とする下流のアプリケーションを制限する。 本研究では,時空間データシステムのための空間認識フレームワークSTRPを提案する。 STRPは、精度と効率の両方で最先端の予測器を著しく上回る。
• 参考スコア（独自算出の注目度）: 17.890860280722215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient acquisition, storage, and utilization of traffic data are critical challenges in spatio-temporal data management. Most traffic data systems collect and store observations at fixed, coarse-grained temporal intervals to reduce storage and computation costs. However, such coarse-grained data severely limits downstream applications that require predictions at a finer temporal granularity. Collecting and maintaining fine-grained traffic data across all locations and time periods would impose a substantial burden on database storage and preprocessing pipelines. To address this temporal granularity mismatch, we formulate a novel problem: predicting fine-grained future traffic using coarse-grained sampled data. We propose the Spatial-Temporal Refinement Predictor (STRP), a granularity-aware framework for spatio-temporal data systems. STRP integrates two components: Tree Convolution for efficient and interpretable spatial dependency modeling, and Inverse Dilated Convolution for progressive temporal extrapolation. STRP supports two practical prediction settings: window-based and duration-based, to handle different forms of granularity mismatch. Experiments on six benchmark datasets show that STRP significantly outperforms state-of-the-art baselines in both accuracy and efficiency. Our work offers a practical and interpretable approach to managing granularity mismatches in spatio-temporal traffic data systems.
• Abstract（参考訳）: 時空間データ管理において、交通データの効率的な取得、保管、利用は重要な課題である。 ほとんどの交通データシステムは、保存と計算コストを削減するために、一定で粗い時間間隔で観測を収集、保存する。 しかし、そのような粗い粒度のデータは、より微細な時間的粒度の予測を必要とする下流のアプリケーションを著しく制限する。 すべての場所と期間にわたって詳細なトラフィックデータを収集し、維持することは、データベースストレージと前処理パイプラインにかなりの負担をかけることになる。 この時間的粒度のミスマッチに対処するために、粗いサンプルデータを用いて詳細な将来トラフィックを予測するという新しい問題を定式化する。 本研究では,時空間データシステムのための粒度認識フレームワークSTRPを提案する。 STRPは、効率よく解釈可能な空間依存モデリングのためのツリー・コンボリューションと、プログレッシブ時間外挿のための逆ディレイテッド・コンボリューションの2つのコンポーネントを統合している。 STRPは、ウィンドウベースと期間ベースの2つの実用的な予測設定をサポートし、異なる形式の粒度のミスマッチを処理する。 6つのベンチマークデータセットの実験では、STRPは精度と効率の両方で最先端のベースラインを大幅に上回っている。 我々の研究は、時空間トラフィックデータシステムにおける粒度ミスマッチを管理するための実用的で解釈可能なアプローチを提供する。

関連論文リスト

• Streaming Real-Time Trajectory Prediction Using Endpoint-Aware Modeling [54.94692733670454]
  近隣の交通機関の将来の軌道は、自動運転車の経路計画と意思決定に大きな影響を与えている。 本稿では,軽量かつ高精度なストリーミングベース軌道予測手法を提案する。 当社のアプローチは推論遅延を大幅に低減し、現実のデプロイメントに適しています。
  論文  参考訳（メタデータ） (2026-03-02T13:44:23Z)
• STAMImputer: Spatio-Temporal Attention MoE for Traffic Data Imputation [36.880711201508085]
  既存のタイム・ツー・スペースのメソッドは、ブロック単位で欠落したデータシナリオの特徴を効果的に抽出することができないことが多い。 本稿では,トラフィックデータ計算のためのSTAMImputerという,専門家ネットワークの時空間注意混合方式を提案する。 その結果,STAMImputer は既存の SOTA 手法に比べて性能が大幅に向上した。
  論文  参考訳（メタデータ） (2025-06-09T04:05:00Z)
• 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)
• XXLTraffic: Expanding and Extremely Long Traffic forecasting beyond test adaptation [3.7509821052818118]
  XXLTrafficは、ロサンゼルス、アメリカ、オーストラリア、ニューサウスウェールズ州で最長のタイムパンを持つ、利用可能な公共交通データセットである。 我々のデータセットは、既存の時間的データ資源を補完し、この領域における新しい研究の方向性につながる。
  論文  参考訳（メタデータ） (2024-06-18T15:06:22Z)
• Learning When to See for Long-term Traffic Data Collection on Power-constrained Devices [7.712009864814493]
  本稿では,バッテリ駆動デバイスの観測タイミングを戦略的に決定する,新しい学習ベースのフレームワークを提案する。 スパースサンプリングされた観測結果から全データストリームを再構築し,性能損失を最小限に抑える。 RNN予測器と推定器とDRQN(Deep Recurrent Q-Network)コントローラによるPeMSデータに対する提案手法の性能評価を行った。
  論文  参考訳（メタデータ） (2024-01-25T20:50:34Z)
• Spatio-Temporal Graph Neural Point Process for Traffic Congestion Event Prediction [16.530361912832763]
  本稿では,交通渋滞イベント予測のための時間グラフニューラルポイントプロセスフレームワークSTNPPを提案する。 提案手法は,既存の最先端手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-11-15T01:22:47Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• 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)

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。