論文の概要: PatchSTG: Scalable Spatiotemporal Graph Transformers for Traffic Forecasting on Irregular Sensor Networks

• arxiv url: http://arxiv.org/abs/2606.09872v1
• Date: Tue, 02 Jun 2026 09:53:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:57.981236
• Title: PatchSTG: Scalable Spatiotemporal Graph Transformers for Traffic Forecasting on Irregular Sensor Networks
• Title（参考訳）: PatchSTG:不規則センサネットワーク上でのトラフィック予測のためのスケーラブル時空間グラフ変換器
• Authors: Jichao Li, Xuanming Shi,
• Abstract要約: 本稿では,不規則なセンサネットワーク上での効率的な予測を目的としたパッチベースのグラフ変換器を提案する。 提案したPatchSTGを,ロードアイランド州の実世界のデータと大規模データセットに基づいて評価した。
• 参考スコア（独自算出の注目度）: 4.61832722799375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic forecasting is a fundamental component of intelligent transportation systems, yet remains challenging in real-world settings due to irregular sensor distributions and the high computational cost of modeling large-scale spatiotemporal dependencies. In practical traffic networks, sensors are unevenly distributed across regions, leading to non-uniform spatial structures that limit the effectiveness and scalability of existing graph-based and attention-based models. To address these challenges, we propose PatchSTG, a patch-based spatiotemporal graph Transformer designed for efficient forecasting on irregular sensor networks. The key idea is to introduce a hierarchical spatial representation that partitions sensors into balanced, locality-preserving patches based on geographic information. On top of this structure, a dual attention encoder alternates between intra-patch attention for capturing local interactions and inter-patch attention for modeling global dependencies, reducing computational complexity from quadratic to near-linear scaling. We evaluate PatchSTG on real-world traffic data from Rhode Island and additional large-scale datasets. Experimental results demonstrate that the proposed model achieves stable and competitive forecasting performance across multiple horizons, while significantly improving computational efficiency. Ablation studies further validate the effectiveness of spatial partitioning and dual attention in capturing both local and long-range traffic dynamics. These results suggest that patch-based spatiotemporal modeling provides a scalable and effective framework for traffic forecasting under irregular spatial settings.
• Abstract（参考訳）: 交通予測はインテリジェント交通システムの基本的構成要素であるが,センサの不規則な分布や大規模時空間依存性をモデル化するための計算コストが高いため,現実の環境では依然として困難である。 実用的なトラフィックネットワークでは、センサは各領域に均等に分散し、既存のグラフベースおよび注意ベースのモデルの有効性とスケーラビリティを制限する一様でない空間構造をもたらす。 これらの課題に対処するために,不規則なセンサネットワーク上での効率的な予測を目的としたパッチベースの時空間グラフ変換器であるPatchSTGを提案する。 鍵となるアイデアは、センサーを地理的情報に基づいてバランスの取れた局所保存パッチに分割する階層的な空間表現を導入することである。 この構造の上に、デュアルアテンションエンコーダは、局所的な相互作用を捉えるためのパッチ内アテンションと、グローバルな依存関係をモデル化するためのパッチ間アテンションとを交互に置き換え、二次的なスケーリングからニア線形スケーリングまでの計算複雑性を低減させる。 ロードアイランドの実際の交通データと大規模データセットからPatchSTGを評価する。 実験により,提案モデルが複数の水平線をまたいだ安定かつ競争的な予測性能を実現し,計算効率を著しく向上することを示した。 アブレーション研究は、局所的および長距離交通力学の捕捉における空間分割と二重注意の有効性をさらに検証した。 これらの結果は,不規則な空間的環境下での交通予測において,パッチベースの時空間モデルがスケーラブルで効果的なフレームワークを提供することを示唆している。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Graph Convolutional Network With Pattern-Spatial Interactive and Regional Awareness for Traffic Forecasting [0.0]
  パターンと空間モジュールからなるパターン空間の対話型融合フレームワークを提案する。 空間モジュールでは,メッセージパッシングに基づくグラフ畳み込みネットワークを設計した。 このネットワークは、地域特性バンクを活用して、データ駆動型メッセージパッシングを再構築するように設計されている。
  論文  参考訳（メタデータ） (2025-08-30T14:39:02Z)
• Kriformer: A Novel Spatiotemporal Kriging Approach Based on Graph Transformers [5.4381914710364665]
  本研究は, 環境問題として, スパースセンサの配置と信頼性の低いデータに対処する。 グラフクリフォーマーモデルであるKriformerは、限られた資源であっても、空間的および時間的相関をマイニングすることで、センサのない場所でデータを推定する。
  論文  参考訳（メタデータ） (2024-09-23T11:01:18Z)
• Navigating Spatio-Temporal Heterogeneity: A Graph Transformer Approach for Traffic Forecasting [13.309018047313801]
  交通予測はスマートシティの発展において重要な研究分野として浮上している。 最短時間相関のためのネットワークモデリングの最近の進歩は、パフォーマンスのリターンが低下し始めている。 これらの課題に対処するために、時空間グラフ変換器(STGormer)を導入する。 本研究では,その構造に基づく空間符号化手法を2つ設計し,時間位置をバニラ変圧器に統合して時間的トラフィックパターンをキャプチャする。
  論文  参考訳（メタデータ） (2024-08-20T13:18:21Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• 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)
• Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow Forecasting [6.867331860819595]
  複雑な時空間相関と非線形トラフィックパターンのため、交通予測は非常に困難である。 既存の研究は主に、空間的相関と時間的相関を別々に考慮して、そのような空間的・時間的依存関係をモデル化する。 本稿では,局所的マルチヘッド自己アテンションを用いた空間時間グラフ上での空間空間的・時間的相関を直接モデル化する。
  論文  参考訳（メタデータ） (2022-07-09T19:21:00Z)
• DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic Forecasting [7.232141271583618]
  以上の問題に対処する新しい動的多重グラフ畳み込み再帰ネットワーク(DMG)を提案する。 距離に基づくグラフを用いて,距離の近いノードから空間情報をキャプチャする。 また,道路間の構造相関を符号化した新しい潜在グラフを構築し,ノードから空間情報をキャプチャする。
  論文  参考訳（メタデータ） (2021-12-04T06:51:55Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• 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。