論文の概要: An Efficient and Effective Architecture for Large-Scale Traffic Prediction via Geometry-Adaptive Square Partitioning

• arxiv url: http://arxiv.org/abs/2606.21072v1
• Date: Fri, 19 Jun 2026 03:41:12 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 11:22:56.723587
• Title: An Efficient and Effective Architecture for Large-Scale Traffic Prediction via Geometry-Adaptive Square Partitioning
• Title（参考訳）: 幾何適応二乗分割による大規模交通予測のための効率的かつ効果的なアーキテクチャ
• Authors: Yongfeng Su, Hongwen Li, Zijian Zhang, Ziquan Fang, Lu Chen, Christian S. Jensen,
• Abstract要約: Square Partition(スクエア・パーティション)は、巨大な交通センサーをバランスの取れた空間領域に分割する幾何学アルゴリズムである。 HLIはTransformerベースのデプロイ、時間的モデルで一般的に使用されるコストのかかる注意機構を放棄するモジュールである。
• 参考スコア（独自算出の注目度）: 21.25554012711633
• License:
• Abstract: Traffic prediction is a core task in intelligent transportation systems and urban-scale decision making. Despite the effectiveness of mainstream neural-network based methods, their deployment in real-world settings with thousands of traffic sensors is jeopardized severely by their poor computational scalability. To address this, the community has attempted to incorporate spatial database partitioning techniques (e.g., Grid, Quadtree, and K-D Tree) to improve model scalability. However, these approaches rely on handcrafted geometric heuristics and often produce irregular or imbalanced data partitions, leading to boundary fragmentation, excessive padding overheads, and degraded model accuracy. In this paper, we propose SqLinear, an efficient and effective architecture for large-scale traffic prediction. First, we design Square Partition, a geometry-adaptive algorithm that partitions massive traffic sensors into balanced, non-overlapping, and near-square spatial regions. Unlike existing heuristic-based designs, Square Partition is theoretically grounded and provides provable guarantees on aspect ratio, balance, and partition utilization, establishing a high-quality foundation for downstream spatiotemporal modeling. Next, we propose a Hierarchical Linear Interaction (HLI) module that abandons the costly attention mechanisms commonly used in Transformer-based spatio-temporal models. HLI efficiently captures both local intra-region dynamics and global inter-region dependencies through a lightweight linear interaction scheme, enabling effective spatiotemporal modeling with linear computational complexity. Extensive experiments on four large-scale traffic datasets and 10 baselines show that SqLinear reduces MAE by 2.30% on average under standard setting and by 5.81% under extreme scalability settings, while reducing training runtime by 13.27%--30.84% in spatial- and horizon-scaling scenarios.
• Abstract（参考訳）: 交通予測は、インテリジェント交通システムと都市規模の意思決定における中核的な課題である。 主流のニューラルネットワークベースの手法の有効性にもかかわらず、何千ものトラフィックセンサーによる現実世界の環境への展開は、計算能力の貧弱さによって著しく阻害される。 これを解決するため、コミュニティは空間データベース分割技術(Grid、Quadtree、K-D Treeなど)を取り入れてモデルのスケーラビリティを向上しようと試みている。 しかし、これらのアプローチは手作りの幾何学的ヒューリスティックに頼り、しばしば不規則または不均衡なデータ分割を生成し、境界の断片化、過剰なパッドのオーバーヘッド、モデル精度の低下につながる。 本稿では,大規模トラフィック予測のための効率的かつ効率的なアーキテクチャであるSqLinearを提案する。 まず,大規模交通センサを平衡領域,非重なり領域,および近方領域に分割する幾何適応アルゴリズムであるSquare Partitionを設計する。 既存のヒューリスティックな設計とは異なり、Square Partitionは理論上基礎を置いており、アスペクト比、バランス、パーティション利用に関する証明可能な保証を提供し、下流時空間モデリングのための高品質な基礎を確立している。 次に、トランスフォーマーベースの時空間モデルで一般的に使用されるコストのかかる注意機構を放棄する階層線形相互作用(HLI)モジュールを提案する。 HLIは、局所的領域内ダイナミクスと大域的領域間依存性の両方を、軽量な線形相互作用スキームにより効率的に捕捉し、線形計算複雑性を伴う効果的な時空間モデリングを可能にする。 4つの大規模トラフィックデータセットと10のベースラインに関する大規模な実験により、SqLinearは標準設定下で平均2.30%、極端なスケーラビリティ設定で5.81%削減し、空間および水平スケーリングシナリオでトレーニングランタイムを13.27%から30.84%削減した。

関連論文リスト

• Complexity-Balanced Diffusion Splitting [20.558008394592097]
  Complexity-Balanced Splitting (CBS)は、時間的キャパシティ割り当てのための原則的なフレームワークである。 CBSは拡散時間軸を等近似重みのセグメントに分割する。 CBSは、ステップごとの推論コストを増大させることなく、継続的に品質を向上する。
  論文  参考訳（メタデータ） (2026-06-04T17:57:15Z)
• PatchSTG: Scalable Spatiotemporal Graph Transformers for Traffic Forecasting on Irregular Sensor Networks [4.61832722799375]
  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。
  論文  参考訳（メタデータ） (2026-06-02T09:53:28Z)
• Position: Weight Space Should Be a First-Class Generative AI Modality [67.10702320971893]
  本稿では、モデルチェックポイントを第一級データモダリティとして扱うべきであると論じる。 重み空間における生成的モデリングは、コア機械学習プリミティブとして標準化されるべきである、と論じている。 私たちのゴールは、コミュニティの既定の考え方を、タスクごとのモデルの最適化から、学習した重量分布からモデルのサンプリングにシフトさせることです。
  論文  参考訳（メタデータ） (2026-05-18T16:38:26Z)
• 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)
• Deformable Dynamic Convolution for Accurate yet Efficient Spatio-Temporal Traffic Prediction [1.7268829007643391]
  変形可能な動的畳み込みネットワーク(Deformable Dynamic Convolutional Network, DDCN)は、変形可能な動的操作と受容的な動的操作の両方を統合する新しいCNNベースのアーキテクチャである。 DDCNは計算コストを大幅に削減しつつ、競争力のある予測性能を実現し、大規模かつリアルタイムなデプロイメントの可能性を強調している。
  論文  参考訳（メタデータ） (2025-07-13T06:49:35Z)
• Decoupling Spatio-Temporal Prediction: When Lightweight Large Models Meet Adaptive Hypergraphs [12.867023510751787]
  STH-SepNetは、時間的および空間的表現性を効率と精度の両方に分離する新しいフレームワークである。 S-SepNetは、現実世界のアプリケーションにおける時間予測のための実用的でスケーラブルなソリューションを提供する。 この作業は、計算要求の削減と予測性能の向上を目的とした、時間的予測のための有望な軽量フレームワークを提供する可能性がある。
  論文  参考訳（メタデータ） (2025-05-26T07:37:39Z)
• Towards a Better Theoretical Understanding of Independent Subnetwork Training [56.24689348875711]
  独立サブネットワークトレーニング(IST)の理論的考察 ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。 圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
  論文  参考訳（メタデータ） (2023-06-28T18:14:22Z)
• 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)
• Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
  高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。 アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。 我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-05-04T09:26:03Z)
• FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
  フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。 クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
  論文  参考訳（メタデータ） (2020-05-22T23:07:42Z)

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。