論文の概要: STAGformer: A Spatio-temporal Agent Graph Transformer for Micro Mobility Demand Forecasting
- arxiv url: http://arxiv.org/abs/2607.06614v1
- Date: Tue, 07 Jul 2026 08:15:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.153833
- Title: STAGformer: A Spatio-temporal Agent Graph Transformer for Micro Mobility Demand Forecasting
- Title（参考訳）: STAGformer: マイクロモビリティ需要予測のための時空間エージェントグラフ変換器
- Abstract要約: 本稿では,線形計算複雑性を伴う効率的なグローバルモデリングを実現するS時間エージェント変換器STAGformerを提案する。
モデルは2段階のエージェントアテンション機構を導入し、学習可能な空間的および時間的エージェントトークンの小さなセットがグローバル情報を集約し、それを個々のステーションやタイムステップにブロードキャストする。
2つの実世界のデータセットの実験により、STAGformerは複数の予測地平線を越えて常に最先端のベースラインを上回っていることが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate station-level demand forecasting is essential for the efficient operation of bike-sharing systems, yet it remains challenging due to complex spatio-temporal dependencies and the large scale of urban networks. This paper presents STAGformer, a Spatio-Temporal Agent Graph Transformer that achieves efficient global modeling with linear computational complexity. The model introduces a two-step agent attention mechanism, where a small set of learnable spatial and temporal agent tokens first aggregate global information and then broadcast it back to individual stations and time steps, effectively capturing long-range interactions while reducing the quadratic cost of standard self-attention to O(NT). STAGformer integrates four core modules: a spatio-temporal encoder that fuses dynamic node features with external contextual factors (weather, time, points of interest), a graph propagation module for spatial neighbor aggregation, a temporal convolution module for local pattern extraction, and the agent attention module for global dependency modeling. Extensive experiments on two real-world datasets -- NYC Citi-Bike and Chicago Divvy-Bike -- demonstrate that STAGformer consistently outperforms state-of-the-art baselines across multiple prediction horizons, achieving significant improvements in both RMSE and MAE. Ablation studies validate the contribution of each component, with the agent attention mechanism proving critical for modeling global spatio-temporal dependencies.
- Abstract（参考訳）: 自転車シェアリングシステムの効率的な運用には,正確な駅レベルの需要予測が不可欠であるが,複雑な時空間依存性と大規模な都市ネットワークのため,依然として困難である。
本稿では,線形計算複雑性を伴う効率的なグローバルモデリングを実現するために,時空間グラフ変換器STAGformerを提案する。
モデルは2段階のエージェントアテンション機構を導入し、学習可能な空間的および時間的エージェントトークンがまずグローバル情報を集約し、それを個々のステーションや時間的ステップにブロードキャストし、O(NT)に対する標準自己注意の2次コストを低減しながら、効果的に長距離インタラクションをキャプチャする。
STAGformerは4つのコアモジュールを統合している: 動的ノードの特徴を外部の文脈的要素と融合する時空間エンコーダ、空間近傍の集約のためのグラフ伝搬モジュール、局所パターン抽出のための時空間畳み込みモジュール、グローバル依存モデリングのためのエージェントアテンションモジュール。
実世界の2つのデータセット(NYC Citi-BikeとChicago Divvy-Bike)に対する大規模な実験は、STAGformerが複数の予測地平線を越えて最先端のベースラインを一貫して上回り、RMSEとMAEの両方で大幅に改善されていることを実証している。
アブレーション研究は各コンポーネントの寄与を検証し、エージェントの注意機構はグローバルな時空間依存のモデル化に不可欠であることが証明された。
関連論文リスト
- DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。
合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
論文 参考訳（メタデータ） (2026-08-19T03:44:28Z) - FAST: A Synergistic Framework of Attention and State-space Models for Spatiotemporal Traffic Prediction [5.827179141989176]
交通モデリングには、大規模なセンサネットワーク上での複雑な時間的ダイナミクスと長距離空間予測が必要である。
我々は,統合された状態トラフィック予測のための注意空間モデリングを組み合わせたフレームワークであるFASTを提案する。
FASTは、Transformer-, GNN-, attention-, Mamba-based familyからの強いベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-04-15T04:05:10Z) - UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。
コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。
8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-12-08T05:36:14Z) - FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。
本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。
FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
論文 参考訳（メタデータ） (2025-11-26T08:36:33Z) - World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。
mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。
特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
論文 参考訳（メタデータ） (2025-05-03T06:23:18Z) - Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。
既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。
本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文 参考訳（メタデータ） (2024-11-14T07:34:31Z) - Hybrid Transformer and Spatial-Temporal Self-Supervised Learning for
Long-term Traffic Prediction [1.8531577178922987]
本稿では,ハイブリッドトランスフォーマーと自己教師型学習を組み合わせたモデルを提案する。
このモデルは、トラフィックのシーケンスレベルにデータ拡張技術を適用することにより、適応的なデータ拡張を強化する。
本研究では,時間的および空間的依存をモデル化する2つの自己教師型学習タスクを設計し,モデルの精度と能力を向上させる。
論文 参考訳（メタデータ） (2024-01-29T06:17:23Z) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-25T03:37:00Z) - Continuous-Time and Multi-Level Graph Representation Learning for
Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。
状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。
北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文 参考訳（メタデータ） (2022-06-30T03:37:50Z) - ProSTformer: Pre-trained Progressive Space-Time Self-attention Model for
Traffic Flow Forecasting [6.35012051925346]
2つの問題により、交通流の予測にアプローチが効果的に適用されない。
まず、依存関係を判断し、次に、ProSTformerという時空の自己アテンションメカニズムを取ります。
ProSTformerは、RMSEの6つの最先端メソッドよりも、大規模なデータセット上で、より良く、あるいは同等に動作する。
論文 参考訳（メタデータ） (2021-11-03T12:20:08Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z)
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。