論文の概要: CIWI-CKT: Chaos-Informed Wave Interference Feature Fusion and Cross-City Knowledge Transfer for Traffic Flow Forecasting

• arxiv url: http://arxiv.org/abs/2606.15642v1
• Date: Sun, 14 Jun 2026 07:08:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.774077
• Title: CIWI-CKT: Chaos-Informed Wave Interference Feature Fusion and Cross-City Knowledge Transfer for Traffic Flow Forecasting
• Title（参考訳）: CIWI-CKT:交通流予測のためのカオス変換波動干渉機能融合と都市間知識伝達
• Abstract要約: CIWI-CKTは、クロスシティ・ナレッジ・トランスファーを備えたChaos-Informed Wave Interference Feature Fusionフレームワークである。 我々のフレームワークは、カオスインフォームドウェーブジェネレーション、メタ干渉処理、カオス認識メタラーニングの3つのコアイノベーションを導入している。 実世界の4つのトラフィックデータセットの実験では、CIWI-CKTが最先端のグラフ学習、転送学習、プロンプトベース、および少数ショットメソッドを著しく上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 5.709363708126687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate traffic flow prediction remains challenging in cross-city, data-scarce scenarios where limited historical data hinders model generalisation. The chaotic nature of traffic dynamics, complex spatio-temporal dependencies, and heterogeneous urban networks complicate few-shot learning across cities. Existing deep learning approaches either treat traffic as purely deterministic or lack mechanisms to model wave-like interference patterns essential for cross-regime traffic dynamics. To address these limitations, this paper proposes CIWI-CKT, a novel Chaos-Informed Wave Interference Feature Fusion framework with Cross-City Knowledge Transfer. Our framework introduces three core innovations: chaos-informed wave generation that extracts measurable chaos invariants and models traffic as adaptive wave components; meta-interference processing that captures wave interactions between support and query regimes while producing a predictability score for confidence estimation; and chaos-aware meta-learning that enables efficient cross-city knowledge transfer while preserving chaotic characteristics. We establish theoretical guarantees including chaos-to-wave stability, wave-induced dimension reduction, and meta-learning generalisation bounds. Extensive experiments on four real-world traffic datasets demonstrate that CIWI-CKT significantly outperforms state-of-the-art spatio-temporal graph learning, transfer learning, prompt-based, and few-shot methods, improving prediction accuracy while substantially reducing required training data.
• Abstract（参考訳）: 交通流の正確な予測は、限られた歴史的データがモデル一般化を妨げているクロスシティ、データスカースシナリオにおいて依然として困難である。 交通力学、複雑な時空間依存、異種都市ネットワークのカオス的な性質は、都市をまたいだ数発の学習を複雑にしている。 既存のディープラーニングアプローチでは、トラフィックを純粋に決定論的または欠落したメカニズムとして扱うか、あるいは、クロス登録トラフィックダイナミクスに不可欠な波のような干渉パターンをモデル化する。 これらの制約に対処するために,クロスシティ・ナレッジ・トランスファーを用いた新しいカオスインフォームド・ウェーブ・インターフェクション・フィーチャーフュージョンフレームワークCIWI-CKTを提案する。 本フレームワークでは,カオスインフォームド・ウェーブジェネレーションを抽出し,トラフィックを適応波成分としてモデル化するカオスインフォームド・ウェーブジェネレーション,信頼度推定のための予測可能性スコアを生成しながら,サポートとクエリーレシスタンス間のウェーブインタラクションをキャプチャするメタ干渉処理,カオス特性を保ちながら都市間知識の効率的な伝達を可能にするカオスアウェア・メタラーニングの3点を紹介する。 我々は,カオス-波動安定性,波動誘起次元減少,メタラーニング一般化境界などの理論的保証を確立する。 実世界の4つのトラフィックデータセットに対する大規模な実験により、CIWI-CKTは最先端の時空間グラフ学習、転送学習、プロンプトベース、および少数ショット法を著しく上回り、必要なトレーニングデータを大幅に削減し、予測精度を向上することを示した。

関連論文リスト

• Structure-Guided Spatiotemporal Attention Graph Neural Network for Traffic Flow Prediction [10.55782327097476]
  本稿では,SGSAN(Structure-Guided Stemporal Attention Graph Neural Network)を提案する。 我々は,SGSANが交通ネットワーク論理と有機的に整合する組込み解釈性を提供しながら,最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2026-08-14T10:46:37Z)
• Multimodal Spatiotemporal-Frequency Fusion with Peak Enhancement for Cellular Traffic Forecasting [16.624441226507926]
  外部コンテキスト情報を統合するマルチモーダルなセルトラフィック予測フレームワークである textbfMSPF-Net を提案する。 MSPF-Netは、時間、空間、スペクトルのトラフィックパターンをキャプチャする時空間周波数トラフィックと、突然のスパイクのバースト認識表現を抽出するピーク拡張モジュールと、都市ニュースストリームをコンテキスト埋め込みに符号化するニュース表現モジュールで構成されている。 Milano TrentoとLTEトラフィックデータセットの実験では、トラフィックのダイナミックス、バーストパターン、ニュースコンテキストシグナルを共同でモデル化することで、予測性能が効果的に向上することを示した。
  論文  参考訳（メタデータ） (2026-07-08T05:17:48Z)
• GraFSTNet: Graph-based Frequency SpatioTemporal Network for Cellular Traffic Prediction [9.622104744379675]
  時空間モデリングと時間周波数解析を統合したセルトラフィック予測フレームワークを提案する。 本稿では,交通量に基づいて誤差ペナルティを調整する適応スケールのロゴシュ損失関数を提案する。 3つのオープンソースデータセットの実験により,提案手法は最先端の手法よりも予測性能が優れていることを示した。
  論文  参考訳（メタデータ） (2026-02-06T16:21:06Z)
• CAST-CKT: Chaos-Aware Spatio-Temporal and Cross-City Knowledge Transfer for Traffic Flow Prediction [7.241754881603806]
  CAST-CKT(Chaos-Aware Spatio-Temporal and Cross-City Knowledge Transfer framework)を提案する。 交通予測可能性の仕組みを定量化するために、効率的なカオス分析装置を使用し、いくつかの重要なイノベーションを推進している。 実験では、MAEとRMSEにおいて、最先端の手法よりもかなりのマージンで優れた性能を示す。
  論文  参考訳（メタデータ） (2026-02-04T23:34:17Z)
• PIMCST: Physics-Informed Multi-Phase Consensus and Spatio-Temporal Few-Shot Learning for Traffic Flow Forecasting [4.516559054098262]
  本稿では,交通予測を多相コンセンサス学習問題として再検討した,数ショットの交通予測のためのマルチフェーズ・コンセンサスS-テンポラル・フレームワークを提案する。 枠組みは,(1)拡散・同期・スペクトル埋め込みによる交通動態をモデル化し,包括的動的特徴付けを行う多相エンジン,(2)強制しながら位相固有予測を動的に融合する適応型コンセンサス機構,(3)最小限のデータで新しい都市に迅速に適応するための構造化メタラーニング戦略である。
  論文  参考訳（メタデータ） (2026-02-02T10:40:07Z)
• 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)
• Robust Single-Agent Reinforcement Learning for Regional Traffic Signal Control Under Demand Fluctuations [5.784337914162491]
  交通渋滞は、主に交差点の待ち行列によって引き起こされ、都市生活水準、安全性、環境品質、経済効率に大きな影響を及ぼす。 本研究では,地域適応型TSCのための新しい単エージェント強化学習フレームワークを提案する。 このフレームワークは堅牢な反ゆらぎ能力を示し、待ち時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2025-11-01T13:18:50Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework [2.9490249935740573]
  FMPESTF(Fusion Matrix Prompt-Enhanced Self-Attention Space-Temporal Interactive Traffic Forecasting Framework)を提案する。 FMPESTFは、ダウンサンプリングトラフィックデータのための空間的および時間的モジュールで構成されている。 時間モデリングにおける注意機構を導入し,様々な交通シナリオに適応するための階層型時空間対話型学習を設計する。
  論文  参考訳（メタデータ） (2024-10-12T03:47:27Z)
• 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)
• ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction [47.17205142864036]
  ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。 ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
  論文  参考訳（メタデータ） (2024-04-22T03:35:19Z)
• 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)
• 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。