論文の概要: Efficient Traffic Prediction at Scale: A Systematic Study of STGCN Architectural Depth

• arxiv url: http://arxiv.org/abs/2606.09539v1
• Date: Mon, 08 Jun 2026 14:23:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.186214
• Title: Efficient Traffic Prediction at Scale: A Systematic Study of STGCN Architectural Depth
• Title（参考訳）: スケールでの効率的な交通予測:STGCNのアーキテクチャ深さの体系的研究
• Authors: Soban Nasir Lone, Mohamed Abouelela, Taeyoung Yu, Jiwon Kim, Constantinos Antoniou,
• Abstract要約: 単一ブロックアーキテクチャは、4つのデータセットのうち3つの短期予測(10分)に対して最適な性能を達成する。 2ブロックのバリエーションは、CPU推論のレイテンシが61%高く、1ブロックに比べてスループットが37%低い。 3ブロックアーキテクチャは、相対的な改善として0.5%の計算コストを2倍にする以上の、好ましくないトレードオフを提供する。
• 参考スコア（独自算出の注目度）: 9.291555165680863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal graph neural networks (STGNNs) have become the dominant approach for traffic prediction, yet their computational requirements pose challenges for practical deployment in intelligent transportation systems (ITS). While recent work has proposed efficient alternatives to STGNNs, a fundamental question remains unexplored: are these architectures themselves over-parameterised? We examine this question using the Spatio-Temporal Graph Convolutional Network (STGCN), one of the most widely adopted models in this domain. Through systematic experiments across four diverse traffic datasets, we compare 1-block, 2-block (standard), and 3-block STGCN variants. Our findings reveal that the single-block architecture achieves optimal performance for short-term prediction (10 mins) on three of four datasets, while incurring only marginal degradation ($\leq$1.8% relative error) at longer horizons. Crucially, the 2-block variant incurs 61% higher CPU inference latency and 37% lower throughput relative to 1-block -- substantial overhead for resource-constrained ITS deployment. The 3-block architecture offers no favourable tradeoff, more than doubling computational cost for $<$0.5% relative improvement. These results suggest that the default 2-block STGCN may be over-parameterised for many applications, with implications for both practitioners deploying traffic prediction systems and researchers benchmarking efficiency-focused methods.
• Abstract（参考訳）: 時空間グラフニューラルネットワーク(STGNN)はトラフィック予測において主要なアプローチとなっているが、その計算要求はインテリジェントトランスポートシステム(ITS)への実践的な展開に課題をもたらす。 最近の研究でSTGNNの効率的な代替案が提案されているが、根本的な疑問は未解決のままである。 本稿では,この領域で最も広く採用されているモデルの一つである時空間グラフ畳み込みネットワーク(STGCN)を用いて,この問題について検討する。 4つの多様なトラフィックデータセットの体系的な実験を通して、1ブロック、2ブロック(標準)、3ブロックSTGCNの変種を比較した。 以上の結果から, 単一ブロックアーキテクチャは, 4つのデータセットのうち3つの短期予測(10分)に対して, より長い地平線での限界劣化(1.8%の相対誤差)しか生じないことが判明した。 重要なことに、2ブロックの亜種はCPU推論のレイテンシが61%高く、1ブロックに比べてスループットが37%低い。 3ブロックアーキテクチャは、相対的な改善として$<0.5%の計算コストを2倍にするのではなく、好ましくないトレードオフを提供する。 これらの結果から,既定の2ブロックSTGCNは,多くのアプリケーションにおいて過度にパラメータ化されている可能性が示唆された。

関連論文リスト

• Leveraging Structural Constraints for Diffusion-based Neural TSP Solvers [3.588053519843615]
  FT2Tのような最先端のアプローチは、高速な一貫性ベースの予測と勾配ベースの推論時間改善を組み合わせたものである。 そこで我々は,PCI (Projected Consistency Inference) を紹介した。 PCIは、500都市のユークリッド旅行セールスマン問題で0.17%、1000都市のユークリッド旅行セールスマン問題で0.31%の平均最適性ギャップ(OG)を達成し、FT2Tのベストセッティングを上回っている。
  論文  参考訳（メタデータ） (2026-06-08T11:08:36Z)
• QNAS: A Neural Architecture Search Framework for Accurate and Efficient Quantum Neural Networks [2.5435687567731926]
  QNASは、ハードウェア評価、多目的最適化、ハイブリッド量子古典ニューラルネットワーク(HQNN)におけるオーバーヘッド認識の削減を統一するニューラルネットワーク検索フレームワークである。 QNASはいくつかの訓練期間において、HQNNの候補を評価し、正確性、効率性、オーバーヘッド削減のトレードオフを見出す。 MNIST, Fashion-MNIST, Irisのベンチマークでは, 埋め込み型とCNOTモードの選択が精度と効率に大きく影響している。
  論文  参考訳（メタデータ） (2026-04-08T12:34:01Z)
• WarPGNN: A Parametric Thermal Warpage Analysis Framework with Physics-aware Graph Neural Network [1.4476963891735688]
  グラフニューラルネット(GNN)を利用した高速かつ高精度なパラメトリックサーマルウォープ解析フレームワークWarPGNNを提案する。 提案手法は2次元効率的なFEM法と比較して205.91x以上の高速化と3次元FEM法COMSOLによる1 19766.64x以上の加速を実現している。 WarPGNNは、3.69%の正規化RMSEと同様のランタイムを持つ未確認データセットに対して、顕著な転送性を示す。
  論文  参考訳（メタデータ） (2026-03-19T07:40:57Z)
• Geminet: Learning the Duality-based Iterative Process for Lightweight Traffic Engineering in Changing Topologies [53.38648279089736]
  Geminetは軽量でスケーラブルなMLベースのTEフレームワークで、トポロジの変更を処理できる。 そのニューラルネットワークサイズは、既存のスキームの0.04%から7%に過ぎない。 大規模なトポロジでトレーニングすると、Geminetは10ギB未満のメモリを消費し、HARPが要求する80ギBの8倍以下である。
  論文  参考訳（メタデータ） (2025-06-30T09:09:50Z)
• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Binary Early-Exit Network for Adaptive Inference on Low-Resource Devices [3.591566487849146]
  バイナリニューラルネットワーク(BNN)は、実数値モデルと比較して、極端な圧縮とスピードアップによる問題に対処する。 そこで本研究では,BNNを早期導入戦略で統合して推論を高速化する,シンプルだが効果的な手法を提案する。 このアプローチでは、決定しきい値に基づいて単純なインスタンスを早期に終了させ、異なる中間層に追加される出力層を利用してバイナリモデル全体の実行を回避する。
  論文  参考訳（メタデータ） (2022-06-17T22:11:11Z)
• Learning to Solve Combinatorial Graph Partitioning Problems via Efficient Exploration [72.15369769265398]
  実験により、ECORDは最大カット問題に対するRLアルゴリズムのための新しいSOTAを実現する。 最も近い競合と比較して、ECORDは最適性ギャップを最大73%削減する。
  論文  参考訳（メタデータ） (2022-05-27T17:13:10Z)
• ZARTS: On Zero-order Optimization for Neural Architecture Search [94.41017048659664]
  微分可能なアーキテクチャサーチ (DARTS) は、NASの高効率性のため、一般的なワンショットパラダイムである。 この作業はゼロオーダーの最適化に変わり、上記の近似を強制せずに探索するための新しいNASスキームであるZARTSを提案する。 特に、12ベンチマークの結果は、DARTSの性能が低下するZARTSの顕著な堅牢性を検証する。
  論文  参考訳（メタデータ） (2021-10-10T09:35:15Z)
• Constructing Stronger and Faster Baselines for Skeleton-based Action Recognition [19.905455701387194]
  骨格に基づく行動認識のための効率的なグラフ畳み込みネットワーク(GCN)のベースラインを提案する。 NTU RGB+D 60 と 120 の2つの大規模データセットでは、提案されたEfficientGCN-B4 ベースラインは、他の State-Of-The-Art (SOTA) メソッドよりも優れている。
  論文  参考訳（メタデータ） (2021-06-29T07:09:11Z)
• FBNetV3: Joint Architecture-Recipe Search using Predictor Pretraining [65.39532971991778]
  サンプル選択とランキングの両方を導くことで、アーキテクチャとトレーニングのレシピを共同でスコアする精度予測器を提案する。 高速な進化的検索をCPU分で実行し、さまざまなリソース制約に対するアーキテクチャと準備のペアを生成します。 FBNetV3は最先端のコンパクトニューラルネットワークのファミリーを構成しており、自動と手動で設計された競合より優れている。
  論文  参考訳（メタデータ） (2020-06-03T05:20:21Z)

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。