論文の概要: Continuous Cross-Domain Traffic State Prediction via Memory-Augmented Graph Liquid Time-Constant Networks

• arxiv url: http://arxiv.org/abs/2606.15807v1
• Date: Sun, 14 Jun 2026 13:19:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.861498
• Title: Continuous Cross-Domain Traffic State Prediction via Memory-Augmented Graph Liquid Time-Constant Networks
• Title（参考訳）: メモリ拡張グラフ液体時間ネットワークによる連続的クロスドメイントラフィック状態予測
• Abstract要約: クロスドメイン交通予測はインテリジェント交通システムにおける基本的な課題である。 本稿では、メモリ拡張グラフ液体時間ネットワーク(MA-GLTC)と呼ばれる、連続的なクロスドメイントラフィック予測フレームワークを提案する。 後者に比べてMA-GLTCは平均予測誤差を3.02%,0.33%,8.92%,10.09%,2.11%削減する。
• 参考スコア（独自算出の注目度）: 1.7071356210178177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic state prediction is a fundamental task in intelligent transportation systems. In practical applications, some regions suffer from limited traffic observations due to insufficient sensing infrastructure, making cross-domain knowledge transfer an important solution for data-scarce traffic prediction. However, existing cross-domain traffic prediction methods still face several limitations, including coarse-grained source-target adaptation, limited capability in handling unseen target-domain patterns, and insufficient modeling of continuous traffic dynamics under irregular or heterogeneous temporal conditions. To address these issues, this paper proposes a continuous cross-domain traffic prediction framework, termed Memory-Augmented Graph Liquid Time-Constant Network (MA-GLTC). Specifically, we first construct spatio-temporal units (STUs) to decompose traffic networks into transferable local units, enabling fine-grained knowledge alignment across domains. Then, a graph liquid time-constant network (GLTC) is developed to model graph-coupled traffic evolution in continuous time. Different from generic graph neural ODE-based models, GLTC introduces graph-coupled recurrent conductance into liquid time-constant dynamics, allowing node states to evolve with leakage, adaptive time constants, and neighborhood-aware feedback. Furthermore, a Memory-based Transfer Storage (MTS) mechanism is designed to preserve source-domain knowledge, retrieve matched traffic patterns, and update reliable target-domain patterns when unseen states emerge. Experiments on five public traffic datasets demonstrate that MA-GLTC consistently outperforms representative innerdomain and cross-domain baselines in both short-term and longterm prediction tasks. Compared with the second-best method, MA-GLTC reduces the average prediction errors by 3.02%, 0.33%, 8.92%, 10.09%, and 2.11%, respectively.
• Abstract（参考訳）: 交通状態予測はインテリジェント交通システムにおける基本的な課題である。 実践的な応用では、センサーインフラが不十分なため、限られた交通観測に苦しむ地域もあるため、クロスドメインな知識伝達がデータスカースな交通予測の重要なソリューションとなる。 しかし、既存のクロスドメイントラフィック予測手法は、粗いソースターゲット適応、目に見えないターゲットドメインパターンの処理能力の制限、不規則または不均一な時間条件下での連続トラフィックダイナミクスのモデリング不足など、いくつかの制限に直面している。 これらの問題に対処するために,メモリ拡張グラフ液体時間ネットワーク (MA-GLTC) と呼ばれる連続的なクロスドメイントラフィック予測フレームワークを提案する。 具体的には、まず、トラフィックネットワークを転送可能なローカルユニットに分解するために時空間単位(STU)を構築し、ドメイン間のきめ細かい知識アライメントを可能にする。 次に,連続時間におけるグラフ結合トラヒック進化をモデル化するために,GLTC (Graph Liquid Time-Constant Network) を開発した。 汎用グラフニューラルODEベースのモデルとは異なり、GLTCはグラフ結合リカレントコンダクタンスを液体時間定数のダイナミックスに導入し、ノード状態はリーク、適応時間定数、近傍認識フィードバックで進化する。 さらに、メモリベースのTransfer Storage (MTS) メカニズムは、ソースドメインの知識を保存し、一致したトラフィックパターンを検索し、未確認状態の時に信頼できるターゲットドメインパターンを更新するように設計されている。 5つのパブリックトラフィックデータセットの実験により、MA-GLTCは、短期および長期の予測タスクにおいて、代表ドメインとクロスドメインのベースラインを一貫して上回ることを示した。 後者に比べてMA-GLTCは平均予測誤差を3.02%,0.33%,8.92%,10.09%,2.11%削減する。

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)
• SFADNet: Spatio-temporal Fused Graph based on Attention Decoupling Network for Traffic Prediction [4.868638426254428]
  本稿では,空間的特徴量に基づいてトラフィックフローを複数のトラフィックパターンに分類する,革新的なトラフィックフロー予測ネットワークであるSFADNetを提案する。 各パターンに対して、残差グラフ畳み込みモジュールと時系列モジュールを用いて、相互アテンション機構に基づく独立適応時間融合グラフを構築する。 大規模な実験結果によると、SFADNetは大規模な4スケールのデータセットで現在の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） (2025-01-07T09:09:50Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Enhanced Traffic Flow Prediction with Multi-Segment Fusion Tensor Graph Convolutional Networks [9.44949364543965]
  既存の交通流予測モデルは、交通ネットワーク内の複雑な空間的依存関係をキャプチャする際の制限に悩まされる。 本研究では,交通流予測のためのマルチセグメント融合テンソルグラフ畳み込みネットワーク(MS-FTGCN)を提案する。 2つの交通流データセットを用いた実験の結果,提案したMS-FTGCNは最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-08-08T05:37:17Z)
• 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)
• 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)
• Learning dynamic and hierarchical traffic spatiotemporal features with Transformer [4.506591024152763]
  本稿では,空間時間グラフモデリングと長期交通予測のための新しいモデルであるTraffic Transformerを提案する。 Transformerは自然言語処理(NLP)で最も人気のあるフレームワークです。 注目重量行列を解析すれば 道路網の 影響力のある部分を見つけられる 交通網をよりよく学べる
  論文  参考訳（メタデータ） (2021-04-12T02:29:58Z)
• 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)
• A3T-GCN: Attention Temporal Graph Convolutional Network for Traffic Forecasting [4.147625439377302]
  A3T-GCN(A3T-GCN)トラヒック予測手法を提案した。 A3T-GCNモデルはゲートリカレントユニットを用いて時系列の短時間傾向を学習し,道路ネットワークのトポロジに基づいて空間依存性を学習する。 実世界のデータセットにおける実験結果は,提案したA3T-GCNの有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2020-06-20T14:12:01Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。