論文の概要: MP3: Multi-Period Pattern Pre-training for Spatio-Temporal Forecasting
- arxiv url: http://arxiv.org/abs/2606.13119v2
- Date: Fri, 12 Jun 2026 06:57:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 13:53:03.690331
- Title: MP3: Multi-Period Pattern Pre-training for Spatio-Temporal Forecasting
- Title（参考訳）: MP3: 時空間予測のためのマルチペリオドパターン事前トレーニング
- Authors: Lilan Peng, Yandi Liu, Qingren Yao, Chongshou Li, Tianrui Li,
- Abstract要約: 既存のグラフニューラルネットワーク(STGNN)は、時間的ミラージュを効果的に識別できない。
MP3は、時間的ミラージュを区別するプラグインである。
平均MP3では、MAE 4.7%とRMSE 5.0%が減少する。
- 参考スコア（独自算出の注目度）: 7.054917745418627
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Spatio-Temporal forecasting is crucial in diverse fields, such as transportation, climate, and energy. Urban spatio-temporal data exhibits temporal mirage: similar short-window inputs have divergent future trends, and vice versa. Existing spatio-temporal graph neural networks (STGNNs) cannot effectively identify such mirages. We argue that the core reason lies in the short-window inputs that have incomplete period observation, heterogeneous global spatial correlation, and cross-period superposition causality. To bridge this gap, we develop a novel Multi- Period Pattern Pre-training (MP3), a plug-and-play pre-training plugin for distinguishing temporal mirages. MP3 presents two core innovations: (1) The multi-period pattern learning is designed to learn multi-period patterns from long time series. Specifically, multi-period temporal modeling leverages edge convolution to identify different multi-period patterns. Multi-period spatial modeling uses a bottleneck project and a global memory bank to capture heterogeneous global spatial relations efficiently. Cross-period pattern interaction employs a causality-enhanced Transformer to capture dependencies across different period patterns. (2) This plugin can seamlessly integrate into existing STGNN backbones to strengthen their forecasting performance. The experiment on five STGNN baselines across five real-world datasets (including a large-scale dataset CA) verify the effectiveness, superior scalability and strong adaptability of MP3, which brings consistent and robust performance improvements across all evaluated baselines. On average, MP3 reduces the MAE 4.7% and the RMSE 5.0%. The code can be available at https://github.com/YAN-outlook/MP3.
- Abstract（参考訳）: 時空間予測は輸送、気候、エネルギーといった様々な分野において重要である。
都会の時空間データは、時間的ミラージュを示しており、同様の短ウィンドウ入力は、将来の傾向と、その逆の傾向を持つ。
既存の時空間グラフニューラルネットワーク(STGNN)はそのようなミラージュを効果的に識別できない。
中心となる理由は、不完全な周期観察、不均一な大域的空間相関、およびクロス周期的重ね合わせ因果性を有するショートウインドウ入力にあると論じる。
このギャップを埋めるために,時間的ミラージュを識別するプラグインであるMulti- Period Pattern Pre-training (MP3)を開発した。
多周期パターン学習は, 時系列から多周期パターンを学習するように設計されている。
特に、多周期時間モデリングはエッジ畳み込みを利用して異なる多周期パターンを識別する。
多周期空間モデリングは、ボトルネックプロジェクトとグローバルメモリバンクを用いて、不均一なグローバル空間関係を効率的にキャプチャする。
クロス周期パターンの相互作用では、因果的に拡張されたトランスフォーマーを使用して、異なる周期パターン間の依存関係をキャプチャする。
2) このプラグインは既存のSTGNNバックボーンにシームレスに統合され,予測性能が向上する。
大規模なデータセットCAを含む)5つの実世界のデータセットにわたる5つのSTGNNベースラインの実験は、MP3の有効性、優れたスケーラビリティ、強力な適応性を検証する。
MP3 は平均して MAE 4.7% と RMSE 5.0% を減少させる。
コードはhttps://github.com/YAN-outlook/MP3.comから入手できる。
関連論文リスト
- UniMamba: A Unified Spatial-Temporal Modeling Framework with State-Space and Attention Integration [24.102050375727263]
UniMambaは、統合された時空間予測フレームワークである。
これは、効率的な状態空間のダイナミクスと注意に基づく依存性学習を統合する。
予測精度と計算効率の両方において、最先端の予測モデルより一貫して優れている。
論文 参考訳（メタデータ） (2026-03-06T05:00:28Z) - T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion [0.4915744683251151]
T3Timeは、時間、スペクトル、プロンプトブランチで構成される新しい3モーダルフレームワークである。
予測地平線に基づいて時間的特徴とスペクトル的特徴の優先順位付けを学習する。
我々のモデルは一貫して最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-08-06T09:31:44Z) - Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。
FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文 参考訳（メタデータ） (2025-06-10T18:40:20Z) - Leveraging Multivariate Long-Term History Representation for Time Series Forecasting [6.661358934189792]
MTS予測のためのLMHR(Long-term Multivariate Representation)というフレームワークを提案する。
LMHRは、長期の歴史をセグメントレベルの文脈表現にエンコードし、ポイントレベルのノイズを低減する。
急速に変化するパターンのトップ10%で予測精度を9.8%向上させる。
論文 参考訳（メタデータ） (2025-05-20T03:46:36Z) - Rethinking Spatio-Temporal Transformer for Traffic Prediction:Multi-level Multi-view Augmented Learning Framework [4.773547922851949]
トラフィックは、非常に複雑なセマンティックな相関を含む、困難な時間的予測問題である。
本稿では,交通予測のためのマルチレベル多視点時間変換器(LVST)を提案する。
論文 参考訳（メタデータ） (2024-06-17T07:36:57Z) - Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。
具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。
バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
論文 参考訳（メタデータ） (2024-05-27T22:15:23Z) - RPMixer: Shaking Up Time Series Forecasting with Random Projections for Large Spatial-Temporal Data [33.0546525587517]
RPMixer と呼ばれる全MLP時系列予測アーキテクチャを提案する。
提案手法は,各ブロックがアンサンブルモデルにおいてベース学習者のように振る舞う深層ニューラルネットワークのアンサンブル的挙動に乗じる。
論文 参考訳（メタデータ） (2024-02-16T07:28:59Z) - 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) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳（メタデータ） (2022-02-17T02:17:31Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z)
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。